一、YOLOv1：把检测变成 "回归问题" 的开创性尝试
YOLOv1 的核心魅力在于 "简单直接"------ 如其名 "You Only Look Once"，用一个 CNN 网络就能完成从 "输入图像" 到 "边界框 + 类别" 的端到端预测，彻底跳过了 "生成候选框" 的步骤。
1. 核心思想：网格划分 + 回归预测
YOLOv1 将输入图像（448×448×3）划分为7×7 的网格（S×S），每个网格负责检测 "中心落在该网格内" 的物体。每个网格会输出：
- 2 个边界框（Bounding Box，B=2），每个边界框包含 5 个参数：
(x,y,w,h,c)。其中(x,y)是边界框中心相对于网格的偏移量，(w,h)是边界框宽高相对于整幅图像的比例，c是置信度（表示框内有物体的概率 × 框与物体的 IOU）。 - 20 个类别概率（对应 PASCAL VOC 数据集的 20 类），表示网格内物体属于某类的概率。
最终网络输出一个7×7×30 的张量，计算逻辑是：S×S×(B×5 + C)（C=20 类，B=2，即 7×7×(2×5+20)=7×7×30）。
2. 网络架构：基于 GoogLeNet 修改，无全连接层冗余
YOLOv1 的网络基于 GoogLeNet 改进，共 20 层卷积层（提取特征）+2 层全连接层（输出预测结果），关键设计：
- 输入图像先缩放到 448×448，经过多轮 "卷积 + ReLU" 提取特征，中间用最大池化（MaxPool）降采样。
- 最后通过全连接层将特征映射为 7×7×30 的张量，没有多余的候选框生成模块，速度极快（实测 FPS 达 58，远超当时的 Faster R-CNN）。
3. 关键细节：损失函数与 NMS
（1）损失函数：分模块优化误差
为了平衡 "位置预测""置信度""类别概率" 的误差，YOLOv1 的损失函数做了针对性设计：
- 位置误差 ：对边界框的
(x,y,w,h)误差加权（权重 λ=5），避免因多数网格无物体导致位置误差被掩盖；其中w和h用平方根计算，减少小框位置误差的影响。 - 置信度误差：分 "有物体的网格" 和 "无物体的网格"------ 无物体的置信度误差权重 λ=0.5，避免模型过度倾向于预测 "无物体"。
- 分类误差：仅对 "有物体的网格" 计算类别概率误差。
（2）NMS（非极大值抑制）：剔除重复检测框
由于每个网格输出 2 个边界框，且相邻网格可能检测同一物体，需要用 NMS 筛选：
- 对所有边界框按置信度排序，保留置信度最高的框。
- 计算剩余框与该框的 IOU，若 IOU 大于阈值（通常 0.5），则剔除（认为是重复框）。
- 重复上述步骤，得到最终检测结果。
4. YOLOv1 的优缺点：快是核心，但有明显局限
- 优点：速度快（实时检测首选）、架构简单（端到端训练易上手）、泛化性强（能检测训练集中未见过的物体类型）。
- 缺点 ：
- 每个网格仅预测 1 个类别，若多个物体中心落在同一网格（如密集场景），会漏检或错检。
- 小物体检测效果差（网格划分较粗，7×7 网格难以捕捉小物体细节）。
- 边界框长宽比固定（仅 2 个框），对不规则形状物体适配性低。
二、YOLOv2：针对性补短板，实现 "更快更强" 的升级
YOLOv2 的目标很明确 ------ 解决 YOLOv1 的痛点，同时保持实时性。最终在 VOC2007 数据集上，mAP 从 v1 的 63.4 提升到 78.6，且速度未降，堪称 "全面进化"。下面拆解它的 8 大核心改进：
1. Batch Normalization（批量归一化）：提升收敛性与精度
- 改进点：去掉 YOLOv1 的 Dropout（避免过拟合效果有限），在每一层卷积后加入 BN 层，对输入特征归一化。
- 效果：网络收敛更快，无需手动调参；mAP 直接提升 2%，且成为后续 CNN 网络的 "标配"。
2. 高分辨率训练：解决 "训练 - 测试分辨率不匹配"
- YOLOv1 的问题：训练时用 224×224 图像（适配 ImageNet 预训练），测试时突然切换到 448×448，模型 "水土不服"。
- 改进点：先在 224×224 上预训练分类网络，再用 448×448 图像微调 10 轮，让模型适应高分辨率特征。
- 效果：mAP 提升约 4%，小物体细节捕捉更准。
3. 新网络架构 DarkNet-19：更轻量，特征提取更强
- 改进点 ：替换 YOLOv1 的 GoogLeNet，设计 19 层卷积 + 5 层池化的 DarkNet-19：
- 用 1×1 卷积压缩通道数（减少参数，降低计算量），再用 3×3 卷积提取特征。
- 去掉全连接层，最终输出 13×13 的特征图（5 次降采样，比 v1 的 7×7 更细，适配小物体）。
- 优势：参数更少（比 v1 轻量），特征提取能力更强，为后续改进打下基础。
4. 聚类生成先验框：适配数据集，比手动选框更优
- YOLOv1 的问题：边界框长宽比手动设定，不一定适配数据集。
- 改进点：用 K-means 聚类分析训练集中的边界框，以 "1-IOU" 为距离 metric（避免 IOU 小的框被误判为相似），最终选 5 个聚类中心作为 "先验框"（Anchor Box）。
- 效果：先验框更贴合数据分布，检测召回率提升（后续引入 Anchor 后，召回率从 81% 到 88%）。
5. 引入 Anchor Box：增加检测框数量，解决 "多物体重叠"
- 改进点 ：在 DarkNet-19 输出的 13×13 特征图上，每个网格对应 5 个 Anchor Box，每个 Anchor 预测
(tx,ty,tw,th,c)+ 类别概率，最终检测框数量从 v1 的 7×7×2=98 个，提升到 13×13×5=845 个。 - 区别于 Faster R-CNN：Anchor Box 通过聚类生成，而非手动设定固定比例，适配性更强。
6. Directed Location Prediction（定向位置预测）：避免收敛不稳定
- YOLOv1 的问题：直接预测边界框中心相对于图像的偏移，可能导致坐标超出图像范围，模型收敛难。
- 改进点 ：预测边界框中心相对于 "网格左上角" 的偏移，并用 Sigmoid 函数（σ）将偏移量限制在 0-1 之间（确保中心落在当前网格内）：
- 公式：
bx = σ(tx) + Cx，by = σ(ty) + Cy（Cx、Cy 是网格左上角坐标）。 - 宽高：
bw = Pw×e^tw，bh = Ph×e^th（Pw、Ph 是 Anchor 的宽高，避免负数）。
- 公式：
- 效果：坐标预测更稳定，模型收敛速度加快。
7. Fine-Grained Features（细粒度特征融合）：提升小物体检测
- 问题：DarkNet-19 深层特征图（13×13）感受野大，适合大物体，但小物体特征易丢失。
- 改进点：融合浅层 16×16 特征图（感受野小，细节丰富）与深层 13×13 特征图，通过 "拆分 - 叠加" 操作，让模型同时捕捉小物体细节和大物体上下文。
8. Multi-Scale 训练：动态适配不同尺度物体
- 改进点：训练时每 10 轮随机改变输入图像尺寸（32 的倍数，从 320×320 到 608×608），迫使模型适应不同尺度的物体。
- 优势：模型鲁棒性更强，既能检测小物体（320×320 输入，特征图更细），也能检测大物体（608×608 输入，感受野更大）。
三、总结：YOLOv1 到 v2 的演进逻辑 ------ 解决痛点，守住核心
YOLO 系列的早期成功，本质是 "围绕实时性，逐步补全精度短板"：
- YOLOv1：开创 one-stage 检测范式，用 "回归思维" 简化检测流程，核心是 "快"，但受限于网格划分、边界框数量，精度有瓶颈。
- YOLOv2：针对性解决 v1 的小物体检测差、多物体重叠漏检、收敛不稳定等问题，通过 Anchor、特征融合、Multi-Scale 等改进，实现 "精度提升 + 速度保持"，为后续 YOLOv3、v5 的迭代奠定了基础。