Solo miras una vez

OverFeat fue un modelo influyente inicial para la clasificación y localización simultánea de objetos. ^{[ 5 ] [ 6 ]} Su arquitectura es la siguiente:

• Entrena una red neuronal exclusivamente para la clasificación de imágenes ("red entrenada para clasificación"). Podría ser una como AlexNet .
• Se elimina la última capa de la red entrenada y, para cada posible clase de objeto, se inicializa un módulo de red en la última capa ("red de regresión"). Los parámetros de la red base se congelan. La red de regresión se entrena para predecir el${\displaystyle (x,y)}$coordenadas de dos vértices del cuadro delimitador del objeto.

• Durante la inferencia, la red neuronal entrenada para la clasificación se ejecuta sobre la misma imagen con diferentes niveles de zoom y recortes. Para cada uno, genera una etiqueta de clase y una probabilidad asociada. Cada salida se procesa mediante la red de regresión de la clase correspondiente. Esto da como resultado miles de cuadros delimitadores con etiquetas de clase y probabilidades. Estos cuadros se combinan hasta que solo queda uno con una única etiqueta de clase.

El algoritmo YOLO original, introducido en 2015, ^{[ 1 ]} divide la imagen en una${\displaystyle S\times S}$Cuadrícula de celdas. Si el centro del cuadro delimitador de un objeto cae dentro de una celda de la cuadrícula, se dice que esa celda "contiene" dicho objeto. Cada celda de la cuadrícula predice B cuadros delimitadores y puntuaciones de confianza para esos cuadros. Estas puntuaciones de confianza reflejan la certeza del modelo de que el cuadro contiene un objeto y la precisión de la predicción.

En más detalle, la red realiza la misma operación convolucional sobre cada uno de los${\displaystyle S^{2}}$parches. La salida de la red en cada parche es una tupla como la siguiente:$${\displaystyle (p_{1},\dots ,p_{C},c_{1},x_{1},y_{1},w_{1},h_{1},\dots ,c_{B},x_{B},y_{B},w_{B},h_{B})}$$dónde

• ${\displaystyle p_{i}}$es la probabilidad condicional de que la celda contenga un objeto de clase${\displaystyle i}$, condicionado a que la celda contenga al menos un objeto.
• ${\ Displaystyle x_ {j}, y_ {j}, w_ {j}, h_ {j}}$son las coordenadas del centro, el ancho y la altura del${\displaystyle j}$-enésimo cuadro delimitador predicho que está centrado en la celda. Se predicen múltiples cuadros delimitadores para permitir que cada predicción se especialice en un tipo de cuadro delimitador. Por ejemplo, los objetos delgados podrían predecirse mediante${\displaystyle j=2}$mientras que los objetos robustos podrían predecirse por${\displaystyle j=1}$.
• ${\displaystyle c_{j}}$es la intersección sobre unión (IoU) prevista de cada cuadro delimitador con su correspondiente verdad fundamental.

La arquitectura de la red consta de 24 capas convolucionales seguidas de 2 capas totalmente conectadas.

Durante el entrenamiento, para cada celda, si contiene un cuadro delimitador de verdad fundamental, entonces solo se utilizan para el descenso de gradiente los cuadros delimitadores predichos con el IoU más alto con los cuadros delimitadores de verdad fundamental. Concretamente, sea${\displaystyle j}$sea ​​ese cuadro delimitador predicho, y dejemos${\displaystyle i}$sea ​​la etiqueta de clase de verdad fundamental, entonces${\ Displaystyle x_ {j}, y_ {j}, w_ {j}, h_ {j}}$se entrenan mediante descenso de gradiente para aproximarse a la verdad fundamental,${\displaystyle p_{i}}$está entrenado para${\displaystyle 1}$, otro${\displaystyle p_{i'}}$están entrenados para apuntar a cero.

Si una celda no contiene información de referencia, entonces solo${\displaystyle c_{1},c_{2},\dots ,c_{B}}$se entrenan mediante descenso de gradiente para aproximarse a cero.

Lanzado en 2016, YOLOv2 (también conocido como YOLO9000) ^{[ 8 ] [ 9 ]} mejoró el modelo original al incorporar normalización por lotes, un clasificador de mayor resolución y el uso de cuadros de anclaje para predecir cuadros delimitadores. Podía detectar más de 9000 categorías de objetos. También se publicó en GitHub bajo la licencia Apache 2.0. ^{[ 10 ]}

YOLOv3, introducido en 2018, contenía únicamente mejoras "incrementales", incluyendo el uso de una red base más compleja, múltiples escalas para la detección y una función de pérdida más sofisticada. ^{[ 11 ]}

Las versiones posteriores de YOLO (v4, v5, etc.) ^{[ 12 ] [ 13 ] [ 14 ] [ 15 ]} han sido desarrolladas por diferentes investigadores, mejorando aún más el rendimiento e introduciendo nuevas características. Estas versiones no están asociadas oficialmente con los autores originales de YOLO, pero se basan en su trabajo. ^{[ 7 ]} A partir de 2026Se han publicado versiones hasta YOLO26. ^{[ 2 ] [ 16 ]}