YOLOv1 与 YOLOv2 核心技术总结

YOLOv1 与 YOLOv2 核心技术总结

本总结围绕 YOLO 系列的前两个关键版本展开，系统梳理了 YOLOv1 的开创性设计与局限，以及 YOLOv2 针对痛点的优化方案，清晰呈现了从 “快速基础” 到 “更快更强” 的技术演进逻辑。

一、YOLOv1：one-stage 检测的开创性尝试

YOLOv1 是目标检测领域经典的one-stage 方法，核心创新是将检测问题转化为端到端的回归问题，通过单个 CNN 完成 “类别 + 位置” 预测，支持视频实时检测，应用场景广泛。

1. 核心设计

• 核心思想：将输入图像划分为S×S 网格（PPT 中为 7×7），每个网格负责预测其中心区域的目标；每个网格输出 B 个边界框（PPT 中 B=2）及对应置信度，同时预测 C 个类别概率（VOC 数据集 C=20），最终输出维度为S×S×(B×5+C)（7×7×30）。
• 网络架构：基于 GoogLeNet 修改，共 20 层；输入图像尺寸 448×448×3，经卷积、池化后，通过全连接层将特征重塑为 7×7×1024，最终输出 7×7×30 的预测结果。
• 损失函数：分三部分计算误差，通过权重平衡不同任务的影响：
  1. 位置误差：仅对包含目标的网格中负责预测的边界框计算（x、y 坐标用平方差，w、h 用根号平方差，避免大目标误差主导）。
  2. 置信度误差：包含目标的边界框权重更高（用 λcoord 调整），无目标的边界框权重低，避免背景误判。
  3. 分类误差：仅对包含目标的网格计算类别概率误差。
• 非极大值抑制（NMS）：过滤重复边界框，保留置信度最高、IoU 符合阈值的预测结果。

2. 优缺点

• 优点：检测速度快（PPT 对比显示 FPS 优于 R-CNN 系列）、网络结构简单，端到端训练效率高。
• 局限：
  1. 每个网格仅预测 1 个类别，无法解决目标重叠场景的检测问题。
  2. 小目标检测效果一般，边界框长宽比选择单一，适配性不足。

二、YOLOv2：“更快更强” 的全面优化

YOLOv2 针对 v1 的局限进行了多维度改进，核心目标是提升检测精度（mAP）与速度，同时优化小目标检测能力，最终在 VOC2007 数据集上 mAP 从 63.4 提升至 78.6。

1. 关键改进方案

改进方向	技术细节	优化效果
Batch Normalization（BN）	舍弃 Dropout，所有卷积层后加入 BN；对每一层输入做归一化	网络收敛更易，mAP 提升 2%；成为后续网络的标准组件
更高分辨率训练	v1 训练用 224×224、测试用 448×448（易 “水土不服”）；v2 额外用 448×448 微调 10 次	高分辨率特征提取更细，mAP 提升约 4%
新网络架构（DarkNet）	输入尺寸 416×416，无全连接层；5 次降采样后得到 13×13 特征图；用 1×1 卷积压缩通道，减少参数	避免过拟合，提升计算效率
聚类提取先验框	用d(box, centroids)=1-IoU作为聚类距离（而非欧氏距离），适配数据集真实边界框比例	先验框更贴合数据分布，优于 Faster R-CNN 的固定比例
引入 Anchor Box	每个网格输出多个 Anchor 框（13×13×n），而非 v1 的 2 个边界框	召回率从 81% 提升至 88%，解决目标重叠检测问题
Directed Location Prediction	不直接预测绝对偏移，而是预测相对网格 cell 的偏移；用 σ(tx)、σ(ty) 将偏移限制在 [0,1]，公式为bx=σ(tx)+Cx、by=σ(ty)+Cy	避免训练初期收敛不稳定，提升边界框定位精度
感受野优化	用 3 个 3×3 卷积堆叠替代 1 个 7×7 卷积（参数从 49C² 降至 27C²）	减少参数总量，增加非线性变换，特征提取更细致
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	弥补深层特征丢失小目标信息的问题，提升小目标检测效果
Multi-Scale 训练	训练中每间隔一定迭代次数，动态调整输入尺寸（320×320 至 608×608，步长 32）	网络适配不同尺度目标，增强泛化能力

三、版本演进核心逻辑

YOLOv1 奠定了 one-stage 检测 “端到端回归” 的基础，以速度为核心优势但精度有限；YOLOv2 则通过 “架构优化（DarkNet）、先验框适配（聚类）、特征融合（细粒度）、动态训练（Multi-Scale）” 四大方向，在保持速度优势的同时，大幅提升了精度与小目标检测能力，成为 YOLO 系列走向实用的关键版本。