YOLO-V1：one-stage 检测的开创性尝试
YOLO-V1 的核心突破是将目标检测问题转化为回归问题，通过单个 CNN 网络完成端到端检测，实现了 58FPS 的实时检测性能，应用场景覆盖视频监控等多个领域。
核心设计
- 网格与输出结构：将输入图像划分为 7×7 网格，每个网格预测 2 个边界框（含 x、y、w、h、置信度）和 20 个类别概率，最终输出 7×7×30 的特征图。
- 损失函数：综合位置误差、置信度误差（分含物体与不含物体两种场景）和分类误差，通过加权平衡不同损失项的影响。
- 后处理：采用非极大值抑制（NMS）过滤冗余检测框，提升检测精度。
优势与局限
- 优势：检测速度快、网络结构简洁，端到端训练流程高效。
- 局限：每个网格仅能预测一个类别，难以处理物体重叠场景；小物体检测效果一般，边界框长宽比选择单一。
YOLO-V2：更快更强的迭代优化
YOLO-V2 针对 V1 的不足进行全方位升级，核心目标是提升检测精度与速度，最终在 VOC2007 数据集上实现 78.6% 的 mAP，较 V1 大幅提升。
关键技术创新
- Batch Normalization：舍弃 Dropout，在所有卷积层后加入归一化处理，加速网络收敛，提升 2% mAP，成为后续网络的标准配置。
- 高分辨率训练：训练阶段先以 224×224 分辨率预训练分类器，再用 448×448 分辨率微调，解决 V1 训练与测试分辨率不一致的 "水土不服" 问题，提升 4% mAP。
- DarkNet 网络架构：移除全连接层，通过 5 次降采样得到 13×13 特征图，采用 1×1 卷积压缩通道数，减少参数总量，提升计算效率。
- 聚类生成先验框：使用 K-means 聚类分析数据集边界框分布，生成更贴合数据的先验框，替代传统固定长宽比的设计，提升检测召回率。
- Anchor Box 引入：每个网格匹配多个 Anchor Box，使预测边界框数量增至 13×13×n，大幅提升重叠物体与小物体的检测效果，召回率从 81% 提升至 88%。
- 直接位置预测：采用相对网格的偏移量预测（结合 sigmoid 函数约束），避免直接偏移导致的收敛不稳定问题，提升边界框定位精度。
- 细粒度特征融合：通过 "passthrough" 结构融合浅层高分辨率特征与深层语义特征，弥补深层特征感受野过大导致的小物体信息丢失。
- 多尺度训练：训练过程中动态调整输入图像尺寸（320×320 至 608×608，步长 32），增强模型对不同尺寸物体的适应能力。
技术演进核心逻辑
从 YOLO-V1 到 YOLO-V2，迭代核心围绕 "精度提升" 与 "适应性增强"：通过归一化、高分辨率训练优化训练稳定性；通过 Anchor Box、聚类先验框、特征融合提升检测精度；通过多尺度训练、轻量化网络提升场景适应性与速度。这一系列优化奠定了 YOLO 系列在实时目标检测领域的领先地位，也为后续版本的发展提供了重要技术基础。