YOLO-V1 与 YOLO-V2

一、YOLO-V1：单阶段检测的奠基者

YOLO-V1 的核心定位是 “实时端到端目标检测”，首次将目标检测问题转化为回归问题，通过一个 CNN 网络直接输出目标的位置与类别，无需分阶段（如 two-stage 的候选框生成 + 分类）。

1.1 核心思想

YOLO-V1 通过 “网格划分 + 边界框预测 + 类别概率” 实现检测，具体逻辑如下：

• 网格划分：将输入图像划分为S×S的网格（PPT 中为 7×7），若目标的中心点落在某个网格内，则该网格负责预测该目标。
• 边界框与置信度（Bounding boxes + Confidence）：每个网格预测B个边界框（PPT 中为 2 个），每个边界框包含 5 个参数：(x,y,w,h,c)。其中(x,y)是边界框相对于网格的中心点坐标，(w,h)是边界框宽高相对于整幅图像的比例，c是置信度（反映边界框包含目标的概率与 IOU 的乘积）。
• 类别概率图：每个网格同时预测C个类别概率（PPT 中为 20 类，对应 VOC 数据集），表示该网格包含目标时，属于某一类别的概率。

1.2 网络架构

YOLO-V1 基于 GoogLeNet 修改，共 20 层网络，整体流程如下：

• 输入与输出：输入图像尺寸为448×448×3，经过卷积、池化和全连接层后，输出7×7×30的特征图。
• 输出维度含义：7×7对应网格数量，30由 “2 个边界框 ×5 个参数 + 20 个类别概率” 计算得出，即公式(S×S)×(B×5+C)（S=7，B=2，C=20）。
• 关键设计：无复杂分支，仅通过卷积提取特征、全连接层完成回归，结构简洁，为实时性奠定基础。

1.3 损失函数

损失函数采用平方差损失，分三部分优化，确保位置、置信度与类别预测的准确性：

1. 位置误差：仅对包含目标的边界框计算(x,y,w,h)的平方差，且对w和h取平方根，避免大边界框的误差掩盖小边界框。
2. 置信度误差：
   • 含目标的边界框：计算预测置信度与真实 IOU 的平方差，权重较高。
   • 不含目标的边界框：仅计算预测置信度的平方差，权重较低（避免模型过度倾向于预测 “无目标”）。
3. 分类误差：仅对包含目标的网格，计算预测类别概率与真实类别的平方差。

1.4 非极大值抑制（NMS）

为去除冗余检测框，YOLO-V1 采用 NMS：对同一目标的多个检测框，保留置信度最高的框，删除与该框 IOU 超过阈值的其他框，最终得到唯一的目标检测结果。

1.5 优缺点

• 优点：结构简单，推理速度快（PPT 中 FPS 达 58），可实现视频实时检测，适用场景广。
• 缺点：
  1. 每个网格仅预测 1 个类别，若多个目标重叠在同一网格，会导致漏检。
  2. 小物体检测效果差（网格划分较粗，小目标中心点易被忽略）。
  3. 边界框长宽比固定，无法适配多样的目标形状。

---

二、YOLO-V2：更快更强的优化版本

YOLO-V2 针对 V1 的缺陷，以 “提升精度、保持实时性” 为目标，提出 8 项核心改进，最终实现 VOC2007 数据集 mAP 从 63.4 提升至 78.6，同时保持快速推理。

2.1 核心改进一：Batch Normalization（批量归一化）

• 设计逻辑：弃用 V1 的 Dropout（避免特征丢失），在所有卷积层后加入 Batch Normalization（BN）。
• 作用：对每一层输入进行归一化，加速网络收敛，减少过拟合，直接提升 2% mAP。
• 现状：BN 已成为现代 CNN 的标配组件。

2.2 核心改进二：更大分辨率训练

• V1 的问题：训练时输入尺寸为224×224（适配分类网络），测试时突然切换到448×448，导致模型 “水土不服”。
• V2 的优化：在分类网络训练后，额外用448×448的图像微调 10 个 epoch，让模型适应高分辨率输入。
• 效果：mAP 提升约 4%，为后续小目标检测优化奠定基础。

2.3 核心改进三：DarkNet 网络架构

V2 摒弃 V1 的 GoogLeNet，改用自定义的DarkNet，核心优势是 “轻量、高效”：

• 关键设计：
  1. 无全连接层（FC），减少参数冗余；
  2. 5 次降采样（通过步长 2 的卷积 / 池化），最终输出13×13的特征图（比 V1 的 7×7 更细，适配小目标）；
  3. 引入1×1卷积：压缩通道数，减少计算量，同时保留关键特征。
• 输入尺寸：调整为416×416（13 的整数倍，确保特征图与原图尺寸对齐）。

2.4 核心改进四：聚类提取先验框

• V1 的问题：边界框参数完全由网络预测，缺乏先验知识，收敛慢且适配性差。
• V2 的优化：用K-means 聚类从训练集边界框中提取 “先验框”（维度先验）：
  1. 聚类距离：采用d(box, centroids) = 1 - IOU（避免大框对距离计算的主导）；
  2. 优势：先验框更贴合数据集的目标形状，比 Faster R-CNN 的 “固定长宽比先验框” 更适配。

2.5 核心改进五：引入 Anchor Box

• 设计逻辑：在13×13特征图的每个网格上，预测n个 Anchor Box（基于聚类的先验框），检测框数量从 V1 的7×7×2=98增至13×13×n（如 n=5 则 650 个）。
• 效果：召回率从 81% 提升至 88%，有效解决 “重叠目标漏检” 问题（V1 的核心缺陷）。

2.6 核心改进六：Directed Location Prediction（定向位置预测）

• V1 的问题：直接预测边界框相对于图像的偏移量，易导致偏移过大、模型收敛不稳定。
• V2 的优化：预测边界框相对于网格左上角的偏移量，并用sigmoid(σ)函数限制偏移范围在[0,1]内，确保边界框落在当前网格内：
  • 核心公式：
    • 边界框中心：b_x = σ(t_x) + C_x，b_y = σ(t_y) + C_y（C_x/C_y是网格左上角坐标，t_x/t_y是网络预测偏移）；
    • 边界框宽高：b_w = p_w × e^t_w，b_h = p_h × e^t_h（p_w/p_h是先验框宽高，t_w/t_h是预测缩放系数）。
• 示例：若预测(σt_x,σt_y,t_w,t_h)=(0.2,0.1,0.2,0.32)，先验框(p_w,p_h)=(3.19,4.01)，网格(C_x,C_y)=(1,1)，则：
  1. 特征图上坐标：b_x=1.2，b_y=1.1，b_w=3.9，b_h=5.52；
  2. 原图坐标（特征图与原图比例 32:1）：b_x=38.4，b_y=35.2，b_w=124.8，b_h=176.7。

2.7 核心改进七：Fine-Grained Features（细粒度特征融合）

• 问题：深层特征图（如 13×13）感受野大，易丢失小目标细节；浅层特征图（如 26×26）感受野小，细节丰富但语义信息弱。
• 优化：将浅层26×26特征图拆分为13×13×4的特征图，与深层13×13特征图拼接，融合 “细节 + 语义”，提升小目标检测精度。

2.8 核心改进八：Multi-Scale（多尺度训练）

• 设计逻辑：训练过程中，每迭代一定次数，随机切换输入图像尺寸（范围320×320 ~ 608×608，均为 32 的整数倍）。
• 优势：模型适应不同大小的目标，同时保持实时性（小尺寸输入推理更快，大尺寸输入精度更高）。

---

三、总结：YOLO-V1 到 V2 的演进逻辑

YOLO-V1 的核心贡献是 “开创单阶段实时检测框架”，但受限于网格划分、边界框设计等问题，精度与适应性不足；YOLO-V2 则围绕 “解决 V1 缺陷、提升精度与鲁棒性” 展开优化：

• 从 “网络训练”（BN、高分辨率微调）、“架构设计”（DarkNet、1×1 卷积）、“先验知识”（聚类先验框、Anchor Box）、“特征利用”（细粒度融合、多尺度）四个维度，全面提升检测性能；
• 最终实现 “精度提升（mAP+15.2%）、召回率提升（81%→88%）、适配性增强（小目标、多尺度目标）”，同时保持实时性，为后续 YOLO 系列（V3-V8）奠定核心框架。