YOLO V1 和 V2笔记

一、YOLO V1

2015 年的 YOLO V1，直接打破了当时 Two-Stage 算法（如 R-CNN）的垄断，核心就是一句话：You Only Look Once（只看一次图，就完成检测）。它把 “分类 + 定位” 两个任务，直接转化成一个回归问题，用一个 CNN 网络端到端输出结果，速度直接冲到 45 FPS，实时检测从此有了新方案。

1. 核心思路：把图片拆成网格，每个网格负责预测目标

V1 会把输入图片（比如 448×448）分成7×7 的网格，每个网格干两件事：预测 2 个边界框（Bounding Box）：每个框包含「中心坐标 (x,y)、宽高 (w,h)、置信度 (c)」—— 置信度代表 “这个框里有目标的概率 × 框和真实目标的 IoU”；预测 20 个类别概率（对应 VOC 数据集的 20 类）：代表 “这个网格里的目标属于某类的概率”。

最终输出的特征图尺寸是 7×7×30—— 怎么来的？公式：S×S×(B×5 + C)，其中 S=7（网格数）、B=2（每个网格预测 2 个框）、C=20（类别数），算下来就是 7×7×(2×5+20)=7×7×30。

2. 网络架构：简化版 GoogLeNet

V1 的网络很简洁，基于 GoogLeNet 修改，去掉了复杂的 Inception 模块，用 24 个卷积层提取特征，最后用 2 个全连接层输出 7×7×30 的结果。整个网络没有多余组件，就是为了 “快”—— 毕竟当时 Two-Stage 算法（如 Fast R-CNN）虽然精度高，但速度只有 15 FPS，V1 直接翻倍还多。

3. 损失函数：针对性解决 “不平衡” 问题

因为检测任务里 “背景区域远多于目标区域”，直接用 MSE 损失会导致 “背景的置信度误差淹没目标的位置误差”。所以 V1 的损失函数做了 3 个关键设计：位置误差加权：对目标的中心坐标 (x,y) 和宽高 (w,h) 误差乘以 λ_coord=5，让模型更关注目标位置的准确性；置信度误差区分：有目标的网格，置信度误差正常算；无目标的网格，置信度误差乘以 λ_noobj=0.5，减少背景对损失的影响；分类误差：只对 “有目标的网格” 计算类别概率误差，无目标的网格不参与。

4. V1 的优点快（45 FPS）、简单（端到端）、泛化能力强（对遮挡、小目标外的场景适配好

二、YOLO V2：针对性 “补坑”，更快更强

V2 的核心目标很明确：解决 V1 的精度问题，同时保持速度优势。作者用了 8 项改进，最终把 VOC 2007 数据集的 mAP 从 63.4% 提升到 78.6%，速度还涨到了 67 FPS。下面挑几个 “最关键的改进” 说 ——

1. 基础优化：Batch Norm + 高分辨率训练

这两个小改动，直接让精度提升了 6%，属于 “简单但有效” 的操作：

Batch Norm（批量归一化）：去掉 V1 的 Dropout（防止过拟合），每个卷积层后都加 BN—— 让每一层的输入都归一化，训练时收敛更快，还能提升泛化能力，单这一项就涨了 2% mAP；高分辨率微调：V1 训练时先用 224×224 练分类，测试时突然换成 448×448，模型容易 “水土不服”。V2 在训练最后，额外用 448×448 的图微调 10 轮，让模型适应高分辨率输入，又涨了 4% mAP。

2. 核心改进 1：引入 Anchor Box，解决 “框不够用” 的问题

V1 每个网格只预测 2 个框，对重叠目标、特殊比例目标很不友好。V2 直接借鉴 Faster R-CNN 的 Anchor 思想，但做了优化：

用 K-Means 聚类选 Anchor：不是随便预设框，而是对 VOC/COCO 数据集的真实目标框做 K-Means 聚类（距离用 “1-IoU” 计算，避免受框大小影响）

3. 核心改进 2：Directed Location Prediction（直接位置预测），解决 “收敛不稳定”

如果直接预测 Anchor 的偏移量（比如 tx=1 就把框右移 Anchor 宽度），容易导致偏移过大、训练发散。V2 换了个思路：预测 “相对于网格的偏移量”，用 σ 函数把偏移量限制在 0~1 之间 —— 这样每个框只会在当前网格内微调，不会跑太远，训练更稳定。

4. 核心改进 3：融合细粒度特征，解决 “小目标检测差”

V1 的最后一层特征图感受野太大（7×7 网格对应原图 64×64 的区域），小目标的特征早被 “磨平” 了。V2 用了个巧办法：Passthrough 层融合浅层特征。

5. 终极优化：Multi-Scale Training（多尺度训练）

V2 的网络全是卷积和池化，没有全连接层 —— 这意味着 “输入图片尺寸可以随便变”！于是作者搞了个骚操作：训练时每 10 轮就随机换一次输入尺寸，从 320×320 到 608×608（步长 32，确保下采样后是整数网格）。这样模型能适应不同大小的目标，泛化能力直接拉满，最终在 608×608 输入下，mAP 冲到 78.6%，速度还能保持 20 FPS。

三、V1 到 V2：改进逻辑总结

从 V1 到 V2，改进思路特别清晰 ——哪里不行补哪里：

问题（V1）	V2 的解决方案	效果
精度低、收敛难	Batch Norm + 高分辨率微调	mAP+6%
框少、重叠目标检测差	聚类 Anchor Box	召回率 + 7%
位置预测不稳定	相对网格的偏移量预测	训练更稳定，定位更准
小目标检测差	Passthrough 层融合浅层特征	小目标 mAP 提升
泛化能力弱	多尺度训练	适应不同大小目标

V1 的创新在于 “把检测当回归” 的思路，打开了 One-Stage 的大门；V2 则用工程化的精准改进，把 “速度快但精度低” 的短板补上，让 YOLO 从 “能用” 变成 “好用”。这也为后续 V3-V8 的迭代奠定了基础 —— 比如 V2 的 Anchor 聚类、多尺度训练，直到现在还是 YOLO 系列的核心逻辑。