YOLOv1, das erste Modell der YOLO-Serie, revolutionierte 2015 die Objekterkennung in der Computer Vision, indem es ein einheitliches, Echtzeit-System vorstellte, das die klassischen mehrstufigen Ansätze wie R-CNN übertraf. Während R-CNN Regionvorschläge mittels Selective Search generierte, Features extrahierte und schließlich mit SVM klassifizierte – ein Prozess, der langsam und komplex war – erkannte YOLOv1 Objekte in einem einzigen Durchlauf. Die zentrale Innovation lag in der Unterteilung des Bildes in ein 7×7-Gitter, wobei jeder Gitterzelle zwei Bounding Boxes und Klassenwahrscheinlichkeiten zugeordnet wurden. Die Koordinaten des Mittelpunkts der Objekte wurden relativ zur Zelle normalisiert, während Breite und Höhe relativ zur Zellgröße angegeben wurden. Für jedes Gitterfeld wurde ein Zielvektor der Länge 25 erstellt: 20 Elemente für die Klassen (One-Hot-Codierung), ein Confidencewert, zwei Koordinaten und zwei Größenwerte. Die Vorhersagevektoren waren mit 30 Elementen länger, da zwei Bounding Boxes pro Zelle vorhergesagt wurden, wobei später die Box mit der höheren Confidencemessung ausgewählt wurde. Die Architektur basierte auf einem CNN mit 24 Konvolutionsschichten, ohne Batch-Normalisierung (die damals noch selten war), stattdessen mit Leaky ReLU-Aktivierung. Der Backbone reduzierte die Bildgröße schrittweise von 448×448 auf 7×7, bevor zwei vollständig verbundene Schichten die Ausgabe in ein 30×7×7-Tensor-Format brachten. Die Implementierung in PyTorch folgt dieser Struktur, wobei die Schichten schrittweise definiert und getestet werden, um die korrekte Dimensionierung zu gewährleisten. Die Verwendung von Dropout (0,5) zwischen den FC-Schichten diente der Regularisierung. Obwohl YOLOv1 nicht die höchste Genauigkeit aller Zeiten erreichte, war es durch seine Geschwindigkeit (50–150 FPS) ein Meilenstein für Echtzeitanwendungen. Die Einheitlichkeit des Ansatzes – Erkennung und Klassifikation in einem einzigen Netzwerk – legte den Grundstein für die nachfolgenden YOLO-Versionen, die bis heute die führende Architektur in der Echtzeit-Objekterkennung sind. Industrieinsider schätzen YOLOv1 als Meilenstein, der die Denkweise in der Objekterkennung veränderte: „YOLO war nicht nur schneller, sondern zeigte, dass man Objekte nicht in mehreren Schritten finden muss – man kann sie einfach „sehen“ lassen“, so ein Experte von NVIDIA. Obwohl die Genauigkeit heute durch Modelle wie YOLOv8 oder Transformer-basierte Architekturen übertroffen wird, bleibt YOLOv1 ein Lehrstück für Effizienz und elegante Architektur. Die Firma Ultralytics, die YOLO weiterentwickelt, betont, dass die Grundprinzipien von YOLOv1 bis heute in allen Versionen erhalten blieben. Die Implementierung in PyTorch ist für Lernende besonders wertvoll, da sie die Kernkonzepte – Gitterbasierte Vorhersage, gemeinsame Verarbeitung von Klassifikation und Regression – klar aufzeigt. Die von dem Autor bereitgestellte GitHub-Implementierung dient als hervorragendes Lernmaterial, das die Architektur von Grund auf nachvollziehbar macht.