YOLOv1与YOLOv2：目标检测的快速进化之路
YOLO（You Only Look Once）是一种经典的单阶段（one-stage）目标检测方法，其核心思想是将检测问题转化为回归问题，仅通过一个卷积神经网络（CNN）即可完成目标定位与分类。YOLO系列因其速度快、结构简单、适用于实时检测而广受欢迎。本文将重点介绍YOLOv1和YOLOv2的核心思想、网络结构、改进点及其技术细节。
一、YOLOv1：开山之作
核心思想
YOLOv1将输入图像划分为 S×SS×S 的网格，每个网格负责预测 BB 个边界框（bounding box）及其置信度（confidence），同时预测 CC 个类别的概率。其输出张量维度为：
S×S×(B×5+C)S×S×(B×5+C)
其中每个边界框包含5个值：(x,y,w,h,confidence)(x,y,w,h,confidence)，分别表示中心坐标、宽度、高度和置信度。
网络架构
YOLOv1使用一个统一的CNN结构，包含24个卷积层和2个全连接层，最终输出为 7×7×307×7×30 的张量（以PASCAL VOC数据集为例，C=20,B=2C=20,B=2）。
损失函数
YOLOv1的损失函数综合了坐标误差、置信度误差和分类误差，使用加权求和的方式进行优化。
NMS（非极大值抑制）
为去除重叠的检测框，YOLOv1使用NMS算法，保留置信度最高的框，抑制其他重叠度高的框。
优点与缺点
优点：速度快，可实现实时检测；结构简单，端到端训练。
缺点：
每个网格只能预测一个类别，难以处理重叠目标；
对小目标检测效果较差；
边界框的长宽比选择较为单一。
二、YOLOv2：更快、更强
YOLOv2在YOLOv1的基础上进行了多项改进，显著提升了检测精度和速度。
1. Batch Normalization
在所有卷积层后加入Batch Normalization，取代Dropout；
使得网络更容易收敛，mAP提升约2%。
2. 高分辨率分类器
YOLOv1使用224×224训练，448×448测试，存在分辨率不一致问题；
YOLOv2在训练后期使用448×448进行微调，mAP提升约4%。
3. 网络结构：DarkNet-19
使用DarkNet-19作为主干网络，输入为416×416；
无全连接层，进行5次下采样，最终特征图大小为13×13；
引入1×1卷积减少参数量。
4. 聚类提取先验框（Anchor Box）
使用K-means聚类从数据集中提取先验框尺寸，更贴合实际数据分布；
引入Anchor Box机制，每个网格预测多个边界框，提升召回率。
5. 定位预测优化（Directed Location Prediction）
不再直接预测边界框的偏移量，而是预测相对于网格单元的偏移量；
使用sigmoid函数将偏移量约束在0~1之间，避免训练不稳定。
6. 细粒度特征融合（Fine-Grained Features）
通过特征拼接（passthrough layer）将浅层特征与深层特征融合，提升小目标检测能力。
7. 多尺度训练（Multi-Scale Training）
每训练一定迭代次数后随机改变输入图像尺寸（如320×320至608×608），增强模型鲁棒性。
三、感受野与卷积设计
YOLOv2中也深入探讨了感受野的概念：
堆叠多个小卷积核（如3×3）可以替代大卷积核（如7×7），在保持相同感受野的同时：
减少参数量；
增加非线性表达能力；
提升特征提取的细腻度。
这正是VGG网络的设计思想，也被YOLOv2所借鉴。
总结
YOLOv1以其“只看一次”的极简思想开创了单阶段目标检测的先河，而YOLOv2则通过Batch Normalization、Anchor Box、多尺度训练等一系列技术大幅提升了模型性能。YOLO系列的演进不仅推动了目标检测技术的发展，也为后续的YOLOv3、v4乃至v5奠定了坚实基础。