一文读懂 YOLOv1 与 YOLOv2：目标检测领域的早期里程碑

在深度学习目标检测领域，YOLO 系列以 “快速高效” 的特点占据重要地位。其中 YOLOv1 作为 one-stage 检测方法的经典代表，开创了将检测任务转化为回归问题的新思路；YOLOv2 则在其基础上优化升级，进一步提升了检测精度与实用性。今天我们就从基础原理出发，带你梳理这两个版本的核心知识。

一、YOLOv1：目标检测的 “一次看透” 革命

YOLOv1 全称为 “You Only Look Once”，名字直接点明了它的核心优势 —— 只需一次神经网络前向传播，就能完成目标检测，彻底打破了传统检测方法的多阶段模式。

1. 核心思想：把检测变成 “回归任务”

YOLOv1 不再区分 “候选区域提取” 和 “分类回归” 两步，而是直接通过一个 CNN 网络输出检测结果。它会将输入图像划分为S×S 的网格，每个网格负责检测中心落在该网格内的目标。最终网络输出包含两部分关键信息：

• Bounding boxes（边界框）：每个网格预测 2 个边界框，每个边界框用（x,y,w,h）表示位置与大小，同时附带一个confidence（置信度），代表边界框包含目标的概率与预测精度。
• Class probability（类别概率）：每个网格预测 20 个类别的概率（基于 PASCAL VOC 数据集），代表网格内目标属于某一类别的可能性。

整体输出维度可表示为 (S×S)×(B×5+C)，其中 S=7、B=2、C=20，最终输出为 7×7×30 的特征图。

2. 网络架构与性能特点

YOLOv1 基于 GoogLeNet 改进，共 20 层卷积层（负责特征提取）+2 层全连接层（负责输出预测结果），输入图像尺寸固定为 448×448×3。它的优势与不足非常鲜明：

• 优点：速度极快，FPS（每秒帧率）可达 58，能满足视频实时检测需求；网络结构简单，端到端训练便捷。
• 不足：每个网格仅预测 1 个类别，面对重叠目标时检测效果差；小目标检测精度一般，边界框长宽比选择单一，对不规则目标适配性弱。

二、YOLOv2：更快更强的优化升级

YOLOv2 针对 v1 的不足进行了全方位改进，核心目标是 “在保持速度的同时提升精度”，最终实现了 “更快、更强” 的突破，VOC 2007 数据集上的 mAP（平均精度均值）从 63.4 提升至 78.6。

1. 关键改进：从细节优化到架构升级

YOLOv2 的改进点围绕 “精度提升”“速度保持”“适配更多场景” 展开，核心包括以下 6 点：

（1）Batch Normalization（批量归一化）

• 舍弃 v1 中的 Dropout（防止过拟合），在所有卷积层后加入 Batch Normalization，对每一层输入进行归一化处理。
• 作用：加速网络收敛，提升模型稳定性，同时使 mAP 提升 2%，如今已成为 CNN 网络的 “标配” 操作。

（2）高分辨率训练与检测

• v1 训练时用 224×224 尺寸图像（适配分类任务），测试时切换到 448×448，易导致 “模型水土不服”；v2 则在训练后期额外进行 10 次 448×448 尺寸的微调，同时最终检测输入提升至 416×416（确保输出网格为 13×13，便于后续 anchor 框计算）。
• 作用：让模型更适应高分辨率检测场景，mAP 提升约 4%。

（3）全新网络 DarkNet-19

• 替换 v1 的 GoogLeNet 架构，采用 19 层卷积层 + 5 层最大池化层，无全连接层（减少参数冗余），通过 1×1 卷积压缩通道数（节省计算资源）。
• 特点：5 次降采样后输出 13×13 的特征图，既保证足够大的感受野，又能兼顾小目标检测。

（4）聚类提取先验框（Anchor Boxes）

• 摒弃传统方法中 “人工设定边界框长宽比” 的方式，改用 K-means 聚类分析训练集中的目标边界框，自动生成更贴合数据分布的 “先验框”。
• 优势：先验框更适配实际目标形状，相比 v1 的固定比例，检测精度显著提升；同时通过 Anchor Boxes，每个网格可预测更多边界框（13×13×n），解决了重叠目标检测问题。

（5）Directed Location Prediction（直接位置预测）

• 针对 v1 中边界框偏移量易导致 “收敛不稳定” 的问题，v2 将偏移量计算改为 “相对网格的偏移”：通过 σ 函数将偏移量限制在 [0,1] 之间，确保边界框中心始终落在当前网格内。
• 计算公式：边界框中心（bx,by）=（σ(tx)+Cx, σ(ty)+Cy），其中 Cx、Cy 为网格左上角坐标；边界框大小（bw,bh）=（pw×e^tw, ph×e^th），其中 pw、ph 为先验框尺寸，tw、th 为网络预测偏移量。

（6）多尺度训练（Multi-Scale）

• 利用卷积网络 “输入尺寸灵活” 的特点，在训练过程中每隔一定迭代次数，随机切换输入图像尺寸（从 320×320 到 608×608，步长 32）。
• 作用：让模型适应不同分辨率的目标，提升泛化能力，同时保持检测速度（小尺寸输入时 FPS 更高）。

2. 其他补充：Fine-Grained Features 与感受野

为了解决 “深层特征图感受野过大、小目标信息丢失” 的问题，YOLOv2 还引入了 “Fine-Grained Features（细粒度特征）”：将浅层 13×13×256 的特征图与深层 26×26×128 的特征图融合，通过拆分、叠加操作补充小目标的细节信息，进一步提升小目标检测精度。

此外，YOLOv2 的网络设计也体现了 “小卷积核堆叠” 的思路：3 个 3×3 卷积核的感受野与 1 个 7×7 卷积核相同，但前者所需参数（27C²）远少于后者（49C²），既能减少计算量，又能通过更多非线性变换提升特征提取能力。

三、总结：YOLOv1 与 YOLOv2 的传承与突破

YOLOv1 开创了 one-stage 目标检测的先河，用 “一次前向传播” 的思路重新定义了检测效率；YOLOv2 则在其基础上，通过 Batch Normalization、Anchor Boxes、多尺度训练等改进，弥补了精度短板，成为兼顾 “速度与精度” 的经典模型。这两个版本不仅是 YOLO 系列的起点，也为后续 YOLOv3、YOLOv5 等版本的发展奠定了基础，至今仍是学习目标检测的 “入门必学” 内容。