YOLO-V1：经典 one-stage 目标检测方法
- 核心特性：作为经典 one-stage 方法，其理念是 “You Only Look Once”，将检测问题转化为回归问题，仅靠一个 CNN 即可完成检测，能对视频实时检测，应用广泛。
- 核心思想与架构：把输入图像划分为 S×S 网格，预测边界框（Bounding boxes）及置信度（confidence），最终生成检测结果与类别概率图。网络基于 GoogLeNet 修改，共 20 层，输入 448×448×3 图像，输出 7×7×30 的张量。
- 关键参数含义：7×7 是最终网格大小，20 代表类别数量，每个网格预测 2 个边界框，每个边界框含（x,y,w,h,c）5 个参数，张量维度按（S×S）×（B×5+C）计算，即 7×7×（2×5+20）=7×7×30。
- 损失函数：包含位置误差、置信度误差（分含物体与不含物体两种情况）和分类误差，以此优化模型预测精度。
- 优缺点：优点是检测速度快、模型结构简单；缺点是每个网格仅预测一个类别，无法解决物体重叠问题，且小物体检测效果欠佳，边界框长宽比选择单一。
YOLO-V2：更快更强的改进版本
- 核心提升：相比 V1，在多个方面进行改进，VOC2007 数据集上 mAP 从 63.4 提升至 78.6，综合性能显著增强。
- 关键改进技术
- 批量归一化（Batch Normalization）：舍弃 Dropout，所有卷积层后加入该操作，对输入归一化，使网络收敛更易，提升 2% 的 mAP，如今已成为网络必备处理步骤。
- 更高分辨率训练：V1 训练用 224×224 图像、测试用 448×448，易致模型 “水土不服”；V2 额外进行 10 次 448×448 图像微调，使用高分辨率分类器后 mAP 提升约 4%。
- 新网络架构（DarkNet）：输入改为 416×416 图像，无全连接层（FC 层），经 5 次降采样得到 13×13 特征图，通过 1×1 卷积减少参数数量。
- 聚类提取先验框：针对 faster-rcnn 先验框未必适配数据集的问题，用 K-means 聚类（距离按 1-IOU 计算）获取更贴合数据的先验框。
- 引入 Anchor Box：使预测边界框数量增至 13×13×n，与 faster-rcnn 不同，其先验框不按固定长宽比设定，提升召回率（从 81% 升至 88%）。
- 直接位置预测（Directed Location Prediction）：不直接用偏移量，而是预测相对网格单元的偏移量，通过 σ 函数限制偏移范围，避免收敛问题，提升模型稳定性。
- 细粒度特征融合（Fine-Grained Features）：针对最后一层感受野过大导致小目标信息丢失的问题，融合前期特征，提升小物体检测能力。
- 多尺度训练（Multi-Scale）：训练中每隔一定迭代次数改变输入图像大小，范围为 320×320 至 608×608，增强模型对不同尺寸物体的适应能力。
补充概念：感受野
- 定义：特征图上的点所能对应到原始图像的区域大小。
- 小卷积核优势：堆叠 3 个 3×3 卷积核（步长 1）与 1 个 7×7 卷积核感受野相同（均为 7×7），但 3 个 3×3 卷积核所需参数（27C²）远少于 7×7 卷积核（49C²），且能更细致提取特征，增加非线性变换，这也是 VGG 网络的设计思路。
