YOLO-V1 与 YOLO-V2
一、YOLO-V1 核心内容
YOLO-V1 是经典的 one-stage 目标检测方法，核心是将检测问题转化为回归问题，仅用一个 CNN 网络即可完成检测，能实现视频实时检测，应用广泛。
1. 核心思想与网络架构
- 核心思想：将输入图像划分为 S×S 网格，每个网格预测多个边界框（Bounding boxes）及对应置信度，同时生成类别概率图，最终结合这些信息得到检测结果。
- 网络架构：基于 GoogLeNet 修改，共 20 层。输入图像尺寸为 448×448×3，经多次卷积（C.R）、全连接（FC）操作后，最终输出 7×7×30 的张量。
2. 关键参数含义
- 7×7：表示最终输出的网格大小，即把输入图像分成 7×7 个网格单元。
- 2：每个网格单元预测的边界框数量。
- 20：当前数据集中目标类别的数量，如常见的 20 类物体。
- 30：由每个边界框的 5 个参数（x,y,w,h,c）乘以 2 个边界框，再加上 20 个类别概率，即（2×5 + 20）= 30，对应输出张量的通道数。
3. 损失函数与 NMS
- 损失函数：综合考虑位置误差、置信度误差和分类误差。位置误差针对边界框的坐标（x,y,w,h）计算；置信度误差分含物体和不含物体两种情况；分类误差则基于类别概率计算。
- NMS（非极大值抑制）：用于过滤冗余的检测框，保留置信度高且重叠度低的检测结果，提升检测精度。
4. 优缺点
- 优点：检测速度快，能满足实时检测需求；网络结构简单，易于实现和部署。
- 缺点：每个网格单元仅预测一个类别，当多个目标重叠在同一网格单元时，无法准确检测；对小物体的检测效果较差，且边界框长宽比选择单一，适应性有限。
二、YOLO-V2 核心内容
YOLO-V2 在 V1 基础上进行多项改进，实现了 “更快、更强” 的检测效果，VOC2007 数据集上的 mAP 从 63.4 提升至 78.6。
1. 关键改进技术
- Batch Normalization：舍弃 Dropout，在每个卷积层后加入 Batch Normalization。对网络每一层输入进行归一化，使网络收敛更易，提升 2% 的 mAP，现已成为网络常用组件。
- 更大分辨率训练：V1 训练时用 224×224 尺寸，测试时用 448×448，易导致模型适配问题。V2 训练时额外进行 10 次 448×448 尺寸的微调，使用高分辨率分类器后，mAP 提升约 4%。
- 网络结构优化（DarkNet）：输入尺寸为 416×416，无全连接层，经 5 次降采样后得到 13×13 的特征图。通过 1×1 卷积减少参数数量，提升计算效率。
- 聚类提取先验框：不同于 Faster-RCNN 使用固定常规比例的先验框，YOLO-V2 通过 K-means 聚类从数据集中提取先验框，距离计算采用 “d (box, centroids) = 1 - IoU (box, centroids)”，使先验框更适配数据集。
- 引入 Anchor Box：使预测的边界框数量增多（13×13×n，n 为 Anchor Box 数量），提升检测召回率，从 81% 提高到 88%，不过 mAP 略有波动（从 69.5 变为 69.2）。
- Directed Location Prediction：不直接使用边界框偏移量，而是预测相对网格单元的偏移量。通过公式 “b_x = σ(tx) + Cx”“b_y = σ(ty) + Cy”“b_w = p_w e^tw”“b_h = p_h e^th” 计算边界框坐标，避免收敛问题，增强模型稳定性。
- Fine-Grained Features：针对最后一层感受野过大导致小目标丢失的问题，融合之前层的细粒度特征，提升小目标检测能力。
- Multi-Scale 训练：训练过程中，每隔一定迭代次数改变输入图像尺寸，尺寸范围为 320×320 到 608×608，增强模型对不同尺寸目标的适应能力。
2. 感受野相关知识
- 定义：特征图上的点所能对应到原始图像的区域大小，反映该点对原始图像信息的感知范围。
- 小卷积核优势：堆叠 3 个 3×3 卷积核（步长 1）的感受野与 1 个 7×7 卷积核相同，但参数更少（3 个 3×3 卷积核参数为 27C²，1 个 7×7 卷积核参数为 49C²），且能进行更多次特征提取和非线性变换，提升特征表达能力，这也是 VGG 网络的核心设计思路之一。
三、两代模型对比
| 对比维度 | YOLO-V1 | YOLO-V2 |
|---|---|---|
| 核心特点 | one-stage，回归化检测 | 在 V1 基础上优化，更快更强 |
| 输入尺寸 | 448×448 | 416×416（支持 320×320-608×608 多尺寸） |
| 网络结构 | 基于 GoogLeNet，含全连接层 | DarkNet，无全连接层 |
| 先验框 | 无 | 通过 K-means 聚类获取 |
| mAP（VOC2007） | 63.4 | 78.6 |
| 优势 | 速度快、结构简单 | 检测精度高、适应能力强、小目标检测好 |
| 不足 | 小目标检测差、重叠目标处理弱 | 较 V1 结构复杂 |