YOLOv1/v2
一、YOLO-V1 核心内容
YOLO-V1 是经典的 one-stage 目标检测模型，核心是将检测问题转化为回归问题，用单个 CNN 完成任务，可实现视频实时检测。
- 核心设计
- 输入图像被划分为 7×7 网格，每个网格预测 2 个边界框（Bounding boxes）及对应置信度，同时预测 20 个类别的概率。
- 输出特征图维度为 7×7×30，计算方式为（S×S）×（B×5+C），其中 S=7（网格数）、B=2（每个网格边界框数）、C=20（类别数），5 代表边界框的 x、y、w、h 和置信度。
- 网络架构：基于 GoogLeNet 修改，共 20 层，包含卷积层、池化层和全连接层，输入尺寸为 448×448×3，最终通过全连接层和 Reshape 得到 7×7×30 的输出。
- 损失函数：分三部分计算，分别是边界框位置误差、置信度误差（含物体和不含物体两种情况）、类别概率误差，通过不同权重平衡各部分损失。
- 关键技术：使用非极大值抑制（NMS）过滤冗余检测框，保留置信度高的最终检测结果。
- 优缺点
- 优点：检测速度快（FPS 高）、结构简单，适用于实时场景。
- 缺点：每个网格仅预测一个类别，无法解决物体重叠问题；小物体检测效果较差，边界框长宽比选择单一。
二、YOLO-V2 核心内容
YOLO-V2 在 V1 基础上进行多方面优化，实现 “更快、更强” 的检测效果，VOC2007 数据集 mAP 从 63.4 提升至 78.6。
- 核心改进技术
- Batch Normalization：舍弃 Dropout，所有卷积层后加入该操作，对输入归一化，加速网络收敛，提升 2% mAP，现已成为网络标配。
- 高分辨率训练：V1 训练用 224×224 尺寸、测试用 448×448，易导致模型适配问题；V2 额外进行 10 次 448×448 尺寸微调，提升约 4% mAP。
- 新网络架构（DarkNet）：输入尺寸 416×416，无全连接层，通过 5 次降采样得到 13×13 特征图；使用 1×1 卷积减少参数，提升计算效率。
- 聚类提取先验框：不同于 Faster R-CNN 的固定先验框比例，通过 K-means 聚类（距离计算为 1-IOU）生成适配数据集的先验框，提升检测准确性。
- 引入 Anchor Box：使预测边界框数量增至 13×13×n（n 为聚类得到的先验框数量），召回率从 81% 提升至 88%。
- 直接位置预测（Directed Location Prediction）：不使用直接偏移量，而是预测相对网格单元的偏移量，通过 σ 函数限制偏移范围，避免训练初期模型不稳定。
- 细粒度特征融合（Fine-Grained Features）：融合浅层小感受野特征与深层大感受野特征，解决深层特征丢失小目标信息的问题，提升小物体检测效果。
- 多尺度训练（Multi-Scale）：训练中每隔一定迭代次数改变输入图像尺寸，范围为 320×320 至 608×608，增强模型对不同尺寸目标的适应能力。
- 感受野相关补充：特征图上的点对应原始图像的区域即感受野，堆叠 3 个 3×3 卷积核（步长 1）与 1 个 7×7 卷积核感受野相同，但前者参数更少（27C² vs 49C²），且能增加非线性变换和特征提取细致度，这是 VGG 网络及 YOLO-V2 优化的重要思路。
三、V1 与 V2 核心差异对比
| 对比维度 | YOLO-V1 | YOLO-V2 |
|---|---|---|
| 网络架构 | 基于 GoogLeNet，含全连接层 | DarkNet，无全连接层，用 1×1 卷积减参 |
| 先验框 | 无，每个网格固定 2 个边界框 | 有，K-means 聚类生成适配先验框 |
| 训练尺寸 | 训练 224×224，测试 448×448 | 训练微调 448×448，支持 320-608 多尺度 |
| 位置预测 | 直接偏移量，易不稳定 | 相对网格偏移量，σ 函数限制范围 |
| 特征融合 | 无 | 融合细粒度特征，提升小物体检测 |
| mAP（VOC2007） | 63.4 | 78.6 |