簡(jiǎn)介這份資源面向深度學(xué)習(xí)入門(mén)者與計(jì)算機(jī)視覺(jué)開(kāi)發(fā)者提供基于Keras框架實(shí)現(xiàn)YOLOv1目標(biāo)檢測(cè)算法并訓(xùn)練自定義數(shù)據(jù)集的完整項(xiàng)目包幫助讀者繞開(kāi)環(huán)境搭建與代碼組織的門(mén)檻快速把個(gè)人標(biāo)注數(shù)據(jù)接入訓(xùn)練流程。壓縮包共11個(gè)文件約128KB以3個(gè)Python腳本、3個(gè)txt列表文件、4張jpg示例圖和1份md說(shuō)明文檔為主腳本涵蓋網(wǎng)絡(luò)訓(xùn)練、測(cè)試與Darknet19骨干實(shí)現(xiàn)txt用于訓(xùn)練與精煉數(shù)據(jù)清單圖片展示檢測(cè)效果文檔則交代項(xiàng)目結(jié)構(gòu)與使用說(shuō)明。目前已有108人學(xué)習(xí)下載。借助其中的模型定義、訓(xùn)練腳本與配置示例讀者可對(duì)照完成數(shù)據(jù)清洗、標(biāo)注劃分、超參數(shù)調(diào)整與過(guò)擬合排查并在此基礎(chǔ)上修改網(wǎng)絡(luò)結(jié)構(gòu)、優(yōu)化檢測(cè)精度適合作為YOLOv1原理學(xué)習(xí)與自定義數(shù)據(jù)集實(shí)戰(zhàn)的起步模板。1. 從一份 Keras 版 YOLOv1 源碼包說(shuō)起單階段檢測(cè)的入門(mén)樣本如果你手頭正好有一份標(biāo)注好的小規(guī)模數(shù)據(jù)集想跑通一個(gè)目標(biāo)檢測(cè)模型看看效果又不想一上來(lái)就被 YOLOv5、YOLOv8 那一堆配置文件和依賴版本折騰到崩潰那這份基于 Keras 的 YOLOv1 實(shí)現(xiàn)包其實(shí)是個(gè)挺合適的起點(diǎn)。它把 YOLOv1 的整套訓(xùn)練流程——數(shù)據(jù)讀取、網(wǎng)格劃分、損失計(jì)算、模型搭建、權(quán)重保存——都塞進(jìn)了一個(gè)相對(duì)輕量的 Keras 工程里沒(méi)有復(fù)雜的分布式訓(xùn)練也沒(méi)有一堆需要編譯的自定義算子裝好 TensorFlow 就能跑。YOLOv1 本身是單階段檢測(cè)的開(kāi)山之作把檢測(cè)直接建模成回歸問(wèn)題一張圖過(guò)一次網(wǎng)絡(luò)就出框結(jié)構(gòu)清晰到幾乎可以手推。這份資源適合兩類(lèi)人一類(lèi)是想搞懂檢測(cè)模型底層邏輯、不想只當(dāng)調(diào)包俠的開(kāi)發(fā)者另一類(lèi)是想拿個(gè)小數(shù)據(jù)集快速驗(yàn)證標(biāo)注質(zhì)量、跑通訓(xùn)練閉環(huán)的從業(yè)者。它不追求 SOTA 精度但勝在鏈路完整、代碼可讀拿來(lái)當(dāng)檢測(cè)入門(mén)的“解剖樣本”非常合適。2. YOLOv1 的網(wǎng)格回歸邏輯與 Keras 工程結(jié)構(gòu)拆解2.1 為什么是 7×7 網(wǎng)格加兩個(gè)框YOLOv1 的核心設(shè)計(jì)思路是把一張輸入圖像切成 S×S 個(gè)網(wǎng)格原版論文里 S7。每個(gè)網(wǎng)格負(fù)責(zé)預(yù)測(cè) B 個(gè)邊界框原版 B2外加 C 個(gè)類(lèi)別的條件概率。也就是說(shuō)網(wǎng)絡(luò)最后一層輸出的張量形狀是 S×S×(B×5C)其中每個(gè)框的 5 個(gè)值分別是 x、y、w、h 和置信度。x、y 是框中心相對(duì)于所在網(wǎng)格的偏移w、h 是相對(duì)于整張圖寬高的比例都被歸一化到 0 到 1 之間。這個(gè)設(shè)計(jì)的好處是輸出維度固定不管圖里有多少目標(biāo)網(wǎng)絡(luò)結(jié)構(gòu)都不用變。代價(jià)也很明顯一個(gè)網(wǎng)格只能負(fù)責(zé)一個(gè)目標(biāo)兩個(gè)框里只有一個(gè)會(huì)被分配為正樣本另一個(gè)在訓(xùn)練時(shí)被當(dāng)作負(fù)樣本壓制。所以當(dāng)兩個(gè)小目標(biāo)擠在同一個(gè)網(wǎng)格里時(shí)YOLOv1 基本就無(wú)能為力了這也是它召回率偏低的根源之一。Keras 工程里這一層邏輯通常體現(xiàn)在模型的最后一層卷積或全連接上輸出通道數(shù)正好等于 B×5C。你在讀代碼時(shí)可以重點(diǎn)看兩個(gè)地方一是模型輸出張量的 reshape 操作把扁平輸出還原成 S×S×N 的網(wǎng)格結(jié)構(gòu)二是損失函數(shù)里對(duì)坐標(biāo)、置信度、類(lèi)別三部分的分項(xiàng)加權(quán)。原版損失用 λ_coord5 放大坐標(biāo)誤差用 λ_noobj0.5 壓低無(wú)目標(biāo)網(wǎng)格的置信度損失這兩個(gè)系數(shù)在 Keras 實(shí)現(xiàn)里一般會(huì)寫(xiě)成常量改它們之前最好先理解各自的作用。2.2 工程目錄里每個(gè)文件在干什么拿到壓縮包解壓后常見(jiàn)的目錄結(jié)構(gòu)大致是這樣一個(gè)主訓(xùn)練腳本一個(gè)模型定義文件一個(gè)數(shù)據(jù)生成器一個(gè)損失函數(shù)模塊外加配置和權(quán)重保存目錄。不同作者的命名會(huì)有差異但職責(zé)劃分基本一致。下面這張表是我拆這類(lèi)工程時(shí)習(xí)慣先掃一遍的清單你可以對(duì)照自己手里的包快速定位關(guān)鍵文件。文件/目錄典型職責(zé)讀代碼時(shí)的關(guān)注點(diǎn)train.py訓(xùn)練入口組裝模型、生成器、回調(diào)學(xué)習(xí)率策略、batch size、epoch 數(shù)model.py定義 YOLOv1 網(wǎng)絡(luò)結(jié)構(gòu)輸出層通道數(shù)是否等于 B×5Cdata.py數(shù)據(jù)讀取與增強(qiáng)標(biāo)注格式、歸一化方式、增強(qiáng)是否同步變換框loss.py自定義損失函數(shù)λ_coord、λ_noobj 取值正負(fù)樣本分配邏輯config.py超參數(shù)與路徑配置輸入尺寸、網(wǎng)格數(shù)、類(lèi)別數(shù)、權(quán)重路徑weights/權(quán)重保存目錄保存頻率、命名規(guī)則、是否保存最優(yōu)讀這類(lèi)工程有個(gè)血淚經(jīng)驗(yàn)先別急著跑訓(xùn)練先把 config 里的類(lèi)別數(shù)和數(shù)據(jù)標(biāo)注里的類(lèi)別對(duì)齊。很多翻車(chē)現(xiàn)場(chǎng)都是類(lèi)別數(shù)寫(xiě)錯(cuò)導(dǎo)致模型輸出通道對(duì)不上訓(xùn)練時(shí) loss 直接飆到 nan 或者一直不降。類(lèi)別數(shù)、網(wǎng)格數(shù)、框數(shù)這三個(gè)參數(shù)一旦確定模型輸出維度就鎖死了改任何一個(gè)都要同步改數(shù)據(jù)生成和損失函數(shù)里的解析邏輯。2.3 數(shù)據(jù)標(biāo)注格式與生成器的對(duì)接方式Y(jié)OLOv1 訓(xùn)練需要的是每張圖對(duì)應(yīng)的標(biāo)注文件常見(jiàn)格式是每行一個(gè)目標(biāo)內(nèi)容為類(lèi)別索引加歸一化后的 x、y、w、h。數(shù)據(jù)生成器要做的事情是把這些標(biāo)注映射到 S×S 的網(wǎng)格上生成和網(wǎng)絡(luò)輸出同形狀的目標(biāo)張量。具體來(lái)說(shuō)對(duì)于每個(gè)目標(biāo)先算出它的中心落在哪個(gè)網(wǎng)格然后把這個(gè)網(wǎng)格對(duì)應(yīng)的那個(gè)框的置信度置為 1坐標(biāo)填真實(shí)值類(lèi)別做 one-hot。如果兩個(gè)目標(biāo)的中心落在同一個(gè)網(wǎng)格后寫(xiě)的會(huì)覆蓋先寫(xiě)的這也是 YOLOv1 的固有缺陷不是代碼 bug。下面這段代碼是一個(gè)簡(jiǎn)化的目標(biāo)張量構(gòu)造邏輯幫你理解生成器內(nèi)部在做什么import numpy as np def build_target(label_lines, S7, B2, C20): # 初始化目標(biāo)張量形狀為 S x S x (B*5 C) target np.zeros((S, S, B * 5 C)) for line in label_lines: cls, x, y, w, h line # 計(jì)算目標(biāo)中心落在哪個(gè)網(wǎng)格 grid_x int(x * S) grid_y int(y * S) # 防止邊界情況越界 grid_x min(grid_x, S - 1) grid_y min(grid_y, S - 1) # 計(jì)算相對(duì)于網(wǎng)格的偏移 x_offset x * S - grid_x y_offset y * S - grid_y # 只填第一個(gè)框第二個(gè)框保持為負(fù)樣本 target[grid_y, grid_x, 0:5] [x_offset, y_offset, w, h, 1.0] target[grid_y, grid_x, 5 cls] 1.0 return target這段邏輯里S、B、C 三個(gè)參數(shù)必須和模型輸出嚴(yán)格一致。x、y 是歸一化到 0 到 1 的中心坐標(biāo)w、h 也是歸一化后的寬高。grid_x 和 grid_y 用 int 截?cái)嗟玫骄W(wǎng)格索引偏移量則是原始?xì)w一化坐標(biāo)乘以 S 再減去網(wǎng)格索引。類(lèi)別部分從第 5 個(gè)通道開(kāi)始做 one-hot。實(shí)際工程里還會(huì)處理“哪個(gè)框負(fù)責(zé)哪個(gè)目標(biāo)”的匹配問(wèn)題常見(jiàn)做法是選與真實(shí)框 IoU 最大的那個(gè)預(yù)測(cè)框作為正樣本這里為了簡(jiǎn)化只用了第一個(gè)框。你在讀源碼時(shí)如果看到更復(fù)雜的匹配邏輯不用慌本質(zhì)就是在做這件事。3. 用 Keras 跑通自定義數(shù)據(jù)集訓(xùn)練從配置到第一個(gè) loss 下降3.1 環(huán)境準(zhǔn)備與依賴版本選擇這類(lèi) Keras 版 YOLOv1 工程對(duì) TensorFlow 版本比較敏感。原版代碼很多是基于 TensorFlow 1.x 加獨(dú)立 Keras 寫(xiě)的如果你直接裝最新的 TensorFlow 2.x大概率會(huì)遇到 tf.placeholder、session 之類(lèi)的 API 報(bào)錯(cuò)。我一般會(huì)先看工程里 import 的是 keras 還是 tensorflow.keras再?zèng)Q定裝哪個(gè)版本。如果是老代碼用 TensorFlow 1.15 加 Keras 2.2 到 2.3 這一檔比較穩(wěn)如果是已經(jīng)遷到 tf.keras 的版本TensorFlow 2.4 以上都能跑但要注意自定義損失函數(shù)里的張量運(yùn)算是否用了兼容寫(xiě)法。安裝命令大致如下建議用虛擬環(huán)境隔離python -m venv yolo_env source yolo_env/bin/activate # Windows 下用 yolo_env\Scripts\activate pip install tensorflow1.15.0 keras2.2.4 numpy1.16.4 opencv-python pillow這里把 numpy 鎖在 1.16.4 是因?yàn)?TensorFlow 1.15 對(duì)更高版本的 numpy 兼容性不好容易出現(xiàn) np.object 之類(lèi)的棄用報(bào)錯(cuò)。opencv 和 pillow 用于數(shù)據(jù)讀取和增強(qiáng)。裝完之后先跑一個(gè) import 測(cè)試確認(rèn)沒(méi)有報(bào)錯(cuò)再往下走。如果你用的是 tf.keras 版本把 tensorflow 換成 2.x 對(duì)應(yīng)版本keras 不用單獨(dú)裝直接用 tensorflow.keras 即可。3.2 配置文件里必須改的五個(gè)參數(shù)在啟動(dòng)訓(xùn)練之前配置文件里有五個(gè)參數(shù)必須按你的數(shù)據(jù)集改改錯(cuò)任何一個(gè)都跑不起來(lái)。下面這張表列出了它們的作用和常見(jiàn)取值參數(shù)含義改錯(cuò)后果input_size網(wǎng)絡(luò)輸入圖像尺寸與權(quán)重不匹配會(huì)報(bào)維度錯(cuò)誤S網(wǎng)格劃分?jǐn)?shù)量與模型輸出、目標(biāo)張量不一致B每個(gè)網(wǎng)格預(yù)測(cè)框數(shù)輸出通道數(shù)對(duì)不上num_classes數(shù)據(jù)集類(lèi)別數(shù)輸出通道數(shù)對(duì)不上loss 異常label_path標(biāo)注文件路徑讀不到數(shù)據(jù)生成器為空其中 S 和 B 一般保持原版 7 和 2 不動(dòng)除非你明確知道自己在做什么。num_classes 必須和你標(biāo)注文件里的類(lèi)別索引最大值加一一致。比如你的標(biāo)注里類(lèi)別索引是 0 到 4那 num_classes 就是 5。input_size 常見(jiàn)是 448×448也有改成 416 或 320 的改小能提速但精度會(huì)降。label_path 指向存放標(biāo)注文件的目錄確保每張圖都能找到對(duì)應(yīng)的標(biāo)注。3.3 啟動(dòng)訓(xùn)練與觀察 loss 是否正常下降配置改好后直接運(yùn)行訓(xùn)練腳本python train.py --config config.py --gpu 0如果你的工程沒(méi)有命令行參數(shù)就直接 python train.py。啟動(dòng)后重點(diǎn)看前幾個(gè) epoch 的 loss 變化。正常的 loss 曲線應(yīng)該是先快速下降然后緩慢震蕩下行。如果 loss 一直不動(dòng)或者直接變成 nan按下面幾個(gè)方向排查學(xué)習(xí)率是不是太大常見(jiàn)初始值 1e-3 到 1e-4數(shù)據(jù)里有沒(méi)有坐標(biāo)越界或者寬高為 0 的臟標(biāo)注損失函數(shù)里有沒(méi)有除零操作。我一般會(huì)在損失函數(shù)里加一句打印把坐標(biāo)損失、置信度損失、類(lèi)別損失分開(kāi)輸出這樣一眼就能看出是哪一項(xiàng)在搗亂。訓(xùn)練過(guò)程中權(quán)重會(huì)按 epoch 保存到 weights 目錄建議同時(shí)保存最近一次和最優(yōu)一次。判斷最優(yōu)的依據(jù)可以是驗(yàn)證集 loss也可以是自己寫(xiě)的一個(gè)簡(jiǎn)單 mAP 計(jì)算。YOLOv1 在小數(shù)據(jù)集上通常幾十個(gè) epoch 就能看到框大致收斂但要想框得準(zhǔn)標(biāo)注質(zhì)量比調(diào)參重要得多。4. 訓(xùn)練不收斂、框亂飛、顯存爆幾個(gè)高頻翻車(chē)點(diǎn)4.1 loss 變成 nan 或一直不降現(xiàn)象訓(xùn)練開(kāi)始幾個(gè) batch 后 loss 直接變 nan或者連續(xù)十幾個(gè) epoch 停在同一個(gè)數(shù)值附近不動(dòng)。原因通常有三個(gè)學(xué)習(xí)率過(guò)大導(dǎo)致梯度爆炸標(biāo)注文件里有坐標(biāo)超出 0 到 1 范圍或者寬高為負(fù)損失函數(shù)里對(duì) w、h 開(kāi)了根號(hào)后遇到 0 值。解決方法是先把學(xué)習(xí)率降到 1e-4 試一輪同時(shí)寫(xiě)個(gè)腳本掃一遍所有標(biāo)注把越界值裁剪回 0 到 1寬高為 0 的樣本直接剔除。如果用的是原版損失檢查根號(hào)里有沒(méi)有加極小值 eps。4.2 預(yù)測(cè)框全部堆在圖像中央現(xiàn)象推理時(shí)所有框都集中在畫(huà)面中間大小也差不多像是網(wǎng)絡(luò)沒(méi)學(xué)到東西。原因多半是正負(fù)樣本分配出了問(wèn)題或者置信度損失權(quán)重太低導(dǎo)致網(wǎng)絡(luò)傾向于把所有框的置信度壓到接近 0只有中心區(qū)域偶爾被激活。解決方法是檢查目標(biāo)張量構(gòu)造邏輯確認(rèn)每個(gè)有目標(biāo)的網(wǎng)格置信度確實(shí)被置為 1并且損失函數(shù)里對(duì)正樣本的置信度誤差給了足夠權(quán)重。另外可以臨時(shí)把 λ_noobj 調(diào)小一點(diǎn)讓負(fù)樣本的壓制不要那么強(qiáng)。4.3 顯存不夠?qū)е掠?xùn)練中斷現(xiàn)象batch size 設(shè)到 8 或 16 時(shí)跑幾個(gè) batch 就報(bào) OOM。原因可能是輸入尺寸太大或者模型里全連接層參數(shù)過(guò)多。YOLOv1 原版在 448 輸入下參數(shù)量不小顯存吃緊很常見(jiàn)。解決辦法是先把 batch size 降到 2 或 4再考慮把輸入尺寸降到 320 或 256。如果還是不夠可以把模型里最后一個(gè)全連接層之前的特征圖通道數(shù)適當(dāng)減少但這會(huì)改變網(wǎng)絡(luò)結(jié)構(gòu)需要重新從頭訓(xùn)練。4.4 標(biāo)注格式對(duì)但訓(xùn)練效果很差現(xiàn)象標(biāo)注檢查過(guò)沒(méi)問(wèn)題loss 也在降但推理時(shí)框的位置和類(lèi)別都不對(duì)。原因可能是數(shù)據(jù)增強(qiáng)時(shí)只變換了圖像沒(méi)有同步變換框?qū)е聢D像和標(biāo)注錯(cuò)位。另一個(gè)常見(jiàn)原因是類(lèi)別索引從 1 開(kāi)始而不是從 0 開(kāi)始導(dǎo)致 one-hot 整體偏移一位。解決方法是把增強(qiáng)前后的圖像和框畫(huà)出來(lái)目測(cè)幾張確認(rèn)框還套在目標(biāo)上同時(shí)檢查標(biāo)注文件里的類(lèi)別索引是不是從 0 開(kāi)始連續(xù)編號(hào)。4.5 推理時(shí)框的坐標(biāo)還原錯(cuò)誤現(xiàn)象訓(xùn)練 loss 正常但推理畫(huà)出來(lái)的框位置明顯偏移或者大小不對(duì)。原因通常是坐標(biāo)還原時(shí)忘了乘回原圖尺寸或者把相對(duì)于網(wǎng)格的偏移當(dāng)成了相對(duì)于整圖的坐標(biāo)。解決方法是理清推理階段的后處理流程網(wǎng)絡(luò)輸出的是相對(duì)于網(wǎng)格的偏移和相對(duì)于整圖的寬高需要先加上網(wǎng)格左上角坐標(biāo)再除以 S最后乘以原圖寬高。這一步在 train.py 和 predict.py 里往往各寫(xiě)了一遍改的時(shí)候要同步改。5. 從能跑到能用置信度閾值調(diào)優(yōu)與框篩選的實(shí)操技巧訓(xùn)練跑通只是第一步真正讓 YOLOv1 在你自己的數(shù)據(jù)上“能用”后處理里的置信度閾值和 NMS 參數(shù)才是關(guān)鍵。YOLOv1 每個(gè)網(wǎng)格輸出兩個(gè)框推理時(shí)先按置信度閾值過(guò)濾掉大部分低分框再對(duì)剩下的框做非極大值抑制。置信度閾值設(shè)高了漏檢明顯設(shè)低了同一個(gè)目標(biāo)會(huì)出好幾個(gè)重疊框。我一般會(huì)先在驗(yàn)證集上跑一遍把閾值從 0.1 到 0.5 按 0.05 步長(zhǎng)掃一遍看哪個(gè)點(diǎn)召回和誤檢的平衡最好。NMS 的 IoU 閾值常用 0.4 到 0.5如果你的數(shù)據(jù)里目標(biāo)比較密集可以適當(dāng)調(diào)高到 0.6但別超過(guò) 0.7否則相鄰目標(biāo)容易被誤合并。下面這段后處理代碼是我常用的寫(xiě)法你可以直接嵌到推理腳本里import numpy as np def yolo_postprocess(pred, conf_thresh0.3, iou_thresh0.5, S7, B2, C20): boxes [] for gy in range(S): for gx in range(S): for b in range(B): base b * 5 conf pred[gy, gx, base 4] if conf conf_thresh: continue # 還原中心坐標(biāo)到整圖比例 cx (gx pred[gy, gx, base]) / S cy (gy pred[gy, gx, base 1]) / S w pred[gy, gx, base 2] h pred[gy, gx, base 3] cls_scores pred[gy, gx, 5 * B:] cls_id int(np.argmax(cls_scores)) score conf * cls_scores[cls_id] boxes.append([cx, cy, w, h, score, cls_id]) # 按分?jǐn)?shù)排序后做 NMS boxes.sort(keylambda x: x[4], reverseTrue) keep [] while boxes: best boxes.pop(0) keep.append(best) boxes [b for b in boxes if iou(best, b) iou_thresh or b[5] ! best[5]] return keep def iou(a, b): # 把中心寬高轉(zhuǎn)成左上右下 ax1, ay1 a[0] - a[2] / 2, a[1] - a[3] / 2 ax2, ay2 a[0] a[2] / 2, a[1] a[3] / 2 bx1, by1 b[0] - b[2] / 2, b[1] - b[3] / 2 bx2, by2 b[0] b[2] / 2, b[1] b[3] / 2 inter max(0, min(ax2, bx2) - max(ax1, bx1)) * max(0, min(ay2, by2) - max(ay1, by1)) union a[2] * a[3] b[2] * b[3] - inter return inter / union if union 0 else 0這段代碼里conf_thresh 控制進(jìn)入 NMS 的框數(shù)量iou_thresh 控制合并程度。注意類(lèi)別不同的框不應(yīng)該互相抑制所以 NMS 里加了一個(gè)類(lèi)別判斷。實(shí)際工程里還會(huì)把框的坐標(biāo)乘回原圖尺寸再畫(huà)出來(lái)這一步別忘。另外 YOLOv1 的框回歸沒(méi)有 anchor 機(jī)制對(duì)小目標(biāo)本身就不友好如果你的數(shù)據(jù)里小目標(biāo)占比高與其死磕 YOLOv1不如把這份代碼當(dāng)作理解檢測(cè)流程的跳板后面換到帶 anchor 的版本會(huì)順很多。從那以后我每次拿到一個(gè)新的檢測(cè)工程都會(huì)先把后處理單獨(dú)拎出來(lái)在幾張圖上跑一遍確認(rèn)框的還原邏輯沒(méi)問(wèn)題再去看訓(xùn)練部分。希望這份拆解能幫到你。本文還有配套的精品資源點(diǎn)擊獲取