YOLOv1 与 YOLOv2 学习总结

一、YOLOv1：开启目标检测端到端的新篇章
YOLOv1 的核心创新在于将目标检测任务转化为端到端的回归问题，打破了传统目标检测依赖区域提议的模式。它把输入图像划分成固定的S×S网格，每个网格负责检测中心落在其中的物体，借助单一神经网络同时预测目标的边界框与类别概率，极大提升了检测速度。
其网络架构基于修改版的 GoogLeNet，包含 24 层卷积层和 2 层全连接层，卷积层提取特征，全连接层直接输出检测结果。输出张量采用S×S×(B×5 + C)的结构，B是每个网格预测的边界框数量，每个边界框有(x,y,w,h,confidence)5 个参数，C为目标类别数。
训练分为两阶段，先利用 ImageNet 数据集预训练前 20 层卷积层，再结合 VOC 检测数据集微调全网络。损失函数为自定义多任务损失函数，通过权重系数平衡位置损失、置信度损失和类别损失。
YOLOv1 实现了实时检测，基础版本达 45 FPS，Fast YOLO 版本更是达到 155 FPS，端到端训练也简化了流程，泛化能力较好。但它也存在定位精度偏低、对小目标检测效果差、每个网格最多仅能预测 1 个物体、不适应密集目标场景、输入尺寸固定以及预测框数量有限导致召回率偏低等不足。
二、YOLOv2：在优化中追求更好、更快、更强
YOLOv2 针对 YOLOv1 的核心缺陷进行了系统性改进，以 “Better, Faster, Stronger” 为目标，在保持实时性的同时大幅提升了检测精度与鲁棒性。
它采用了一系列优化策略，如在所有卷积层后添加批归一化，使训练收敛更快且减少过拟合，提升了 2% 的 mAP；将预训练阶段的分辨率从 224×224 提升至 448×448，让网络提前适应高分辨率特征；移除全连接层，引入锚框机制，通过 K-means 聚类生成 9 种尺度的锚框，替代手动设定的边界框，使模型能更好适配不同尺寸的目标，召回率提升了 7%；引入 passthrough 结构，融合浅层和深层特征，显著提升小目标检测能力；训练过程中随机切换输入图像分辨率，使模型适应不同尺寸目标，增强鲁棒性。
网络架构升级为专为目标检测优化的 Darknet-19，包含 19 层卷积层与 5 层最大池化层，采用 3×3 和 1×1 卷积核交替的结构，在保证特征提取能力的同时减少计算量，经 ImageNet 预训练后，分类精度与计算效率均更优。
YOLOv2 基础版本达 67 FPS，mAP 较 YOLOv1 提升了 10% 以上，采用更大输入尺寸的版本 mAP 可与 Faster R-CNN 媲美，但速度快 3 倍以上。通过锚框与多尺度训练，有效解决了 YOLOv1 在小目标、密集目标场景下的检测缺陷，对不同分辨率图像的适配性更强，适用范围更广。
三、学习感悟与技术思考
YOLO 系列的迭代体现了目标检测中 “速度 - 精度平衡” 的核心追求，YOLOv1 以速度突破确立方向，YOLOv2 通过锚框、特征融合、多尺度训练等工程优化补齐精度短板，展现了 “先解决有无，再优化好坏” 的技术发展路径。
YOLOv2 的成功不仅依靠算法创新，还源于对工程细节的打磨，比如批归一化、K - means 锚框聚类等，这表明在实际任务中，合理的工程优化往往能带来显著的性能提升。
从 YOLOv2 用 K - means 聚类真实框确定锚框尺度，到多尺度训练适配数据分布，体现了 “让数据指导模型设计” 的理念，这一思路对后续目标检测算法产生了深远影响。
两代算法均坚持端到端训练范式，避免了传统多阶段检测的流程割裂问题，简化了训练过程，提升了模型的泛化能力，为后续实时检测算法奠定了基础。
通过对这两代算法的学习，我不仅掌握了它们的技术细节，更理解了目标检测算法的设计逻辑与演进规律，为后续学习更高版本 YOLO 算法及其他检测框架提供了坚实的理论基础。