YOLO-V1 与 YOLO-V2 核心笔记
一、YOLO-V1：one-stage 检测的经典开端
YOLO-V1 是首个成熟的 one-stage 目标检测算法，核心是 “You Only Look Once”—— 通过单次 CNN 前向传播完成 “目标定位 + 类别判断”，彻底简化检测流程。
1. 核心思想
- 将输入图像划分为S×S 网格（PPT 中 S=7），每个网格负责检测 “中心落在该网格内” 的目标。
- 每个网格输出B 个边界框（Bounding Box） 及对应置信度（Confidence），同时预测C 个类别概率（PPT 中 C=20，对应 20 类目标）。
- 最终通过 “边界框 + 置信度 + 类别概率” 融合，得到全局目标检测结果。
2. 网络架构
- 基础框架：基于 GoogLeNet 修改，共 20 层网络（含卷积层、全连接层）。
- 输入输出：输入尺寸 448×448×3，输出尺寸 7×7×30（对应 7×7 网格，每个网格 2 个边界框 + 20 类概率）。
- 输出维度计算：
(S×S)×(B×5 + C)，其中 “5” 代表边界框的 5 个参数（x,y,w,h, 置信度），PPT 中 B=2、S=7、C=20，即 7×7×(2×5+20)=7×7×30。
3. 损失函数
损失函数通过 “平方差” 统一优化三类误差，确保定位与分类精度：
- 位置误差：对含目标的边界框，优化 (x,y,w,h) 与真实框的偏差（w、h 需开根号，减少大框误差占比）。
- 置信度误差：分两种场景 —— 含目标的边界框，优化 “置信度与 IoU 的偏差”；不含目标的边界框，降低置信度权重（避免背景干扰）。
- 分类误差：优化含目标网格的 “预测类别概率与真实类别的偏差”。
4. 关键技术：NMS（非极大值抑制）
通过筛选 “置信度最高” 的边界框，抑制冗余重叠框，保留最优检测结果（PPT 中示例置信度数值：0.98、0.83、0.81 等）。
5. 优缺点
- 优点：速度极快（PPT 暗示实时性适配视频检测）、结构简单（单次 CNN 完成检测）。
- 缺点：
- 每个网格仅预测 1 个类别，无法解决 “多目标重叠在同一网格” 的问题。
- 小目标检测效果差，边界框长宽比固定，适配性低。
二、YOLO-V2：针对性优化，更快更强
YOLO-V2 以 “解决 V1 缺陷” 为核心目标，通过 8 项关键改进，实现 “速度提升 + 精度跃升”，VOC2007 数据集 mAP 从 V1 的 63.4 提升至 78.6。
1. 核心改进（按优化方向分类）
（1）训练稳定性与精度提升
- Batch Normalization（BN 层）：舍弃 V1 的 Dropout，所有卷积层后加 BN 层；统一输入数据分布，加速收敛，mAP 提升 2%，现已成为网络标配。
- 高分辨率训练：V1 训练用 224×224、测试用 448×448（易导致模型 “水土不服”）；V2 在训练后期额外加 10 次 448×448 微调，mAP 提升 4%。
（2）网络架构重构：DarkNet
- 输入尺寸：416×416（比 V1 的 448 更适配后续降采样）。
- 核心设计：无全连接层（FC），通过 5 次降采样将特征图缩小至 13×13；用 1×1 卷积压缩通道数，大幅减少参数。
（3）边界框优化
- 聚类提取先验框：摒弃 Faster R-CNN 的 “固定长宽比先验框”，用 K-means 聚类（距离定义为 1-IoU）生成适配数据集的先验框，提升边界框初始精度。
- 引入 Anchor Box：每个网格对应 n 个 Anchor Box，检测框数量增至 13×13×n；召回率从 81%（无 Anchor）提升至 88%，mAP 基本持平（69.2→69.5）。
- 定向位置预测（Directed Location Prediction）：避免 V1 的 “绝对偏移” 导致收敛不稳定，改用 “相对网格偏移”—— 通过 σ(tx)、σ(ty) 将偏移量限制在 0-1，确保边界框落在当前网格内（公式：bx=σ(tx)+Cx，by=σ(ty)+Cy；bw=pw×e^tw，bh=ph×e^th，其中 Cx/Cy 为网格坐标，pw/ph 为先验框尺寸）。
（4）小目标与多尺度适配
- Fine-Grained Features（细粒度特征融合）：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。
- Multi-Scale（多尺度训练）：训练中每隔一定迭代次数，随机切换输入尺寸（320×320 至 608×608，步长 32），让模型适配不同尺度目标。
三、补充：感受野原理与网络设计逻辑
感受野指 “特征图上的一个点，对应原始图像的区域大小”，是 YOLO 网络设计的核心依据：
- 堆叠 3 个 3×3 卷积（步长 1），与 1 个 7×7 卷积的感受野相同（均为 7×7）。
- 优势：3 个 3×3 卷积的参数仅为 27C²（C 为通道数），远少于 7×7 卷积的 49C²；且多轮卷积可增加非线性变换，提取更细致的特征 —— 这也是 VGG、DarkNet 等网络用 “小卷积堆叠” 的核心原因。
四、演进总结：从 V1 到 V2 的优化逻辑
YOLO-V2 的所有改进均针对性解决 V1 的缺陷：
- 用 BN、高分辨率训练解决 “训练不稳定、精度低”；
- 用 Anchor Box、聚类先验框解决 “边界框适配性差”；
- 用特征融合、多尺度训练解决 “小目标检测弱”；
- 用 DarkNet 架构解决 “参数冗余”—— 最终实现 “更快、更强、更灵活” 的检测效果。