目标检测
YOLOv1架构
参考论文
基本思想
YOLO 将目标检测统一建模为单阶段的端到端回归任务，直接从输入图像预测目标的边界框位置、置信度以及类别概率。
优点
1、速度极快
yolo把目标检测做成了单阶段、单网络、一次前向传播的并行预测问题。
首先，对于早期的两阶段检测器，如R-CNN而言，他会先生成许多候选框，对这些候选框一一处理，这样大大放慢了速度。而yolo直接把整张图输入网络，然后会一次性预测哪些地方有物体，框的位置，预测类别等，避免了区域提议和大量候选框的重复提特征。
其次，对于整张图，yolo只做一次前向传播，具体流程大概是：
输入一张图->经过卷积神经网络提取特征->在特征图上直接预测目标框和类别->输出类别。
可以说，yolo作为"单阶段检测器"，塔在特征图上并行预测，而不是串行处理目标，它共享整张图的特征，而不是为每个后现况重复算特征。
2、yolo具有全局上下文感知能力，背景误检更少
YOLO 在预测时，不是只盯着一个局部小区域看，而是结合整张图的信息一起判断。这说明他能利用全局信息，能结合上下文语义，不容易只因为一个局部纹理像某个物体，就误判成目标。
YOLO 鲁棒性更强，误报率更低，尤其是在背景干扰方面表现更好。
3、yolo泛化能力强，跨域能力好
首先是泛化能力强，YOLO 不仅能在训练时见过的自然图像上工作，还能较好适应新的数据类型；
其次是跨域能力好，在文章中，yolo在自然图像上训练，在艺术画作上测试，这是一种跨域测试，从"照片域"迁移到"艺术图像域"，仍然有较好的检测能力。
缺陷
YOLO在准确率上仍然落后于最先进的检测系统。虽然它可以快速地识别图像中的物体，但它很难精确地定位一些物体，特别是小物体。
原理
YOLO 把原本分开的目标检测流程统一到一个神经网络里，直接从整幅图像同时预测所有目标框和类别，实现端到端检测
将输入图像划分为一个 𝑆×𝑆的网格。如果某一目标的中心点落入某个网格单元中，那么该网格单元就负责检测该目标。每个网格单元预测 𝐵 个边界框及其对应的置信度分数。这些置信度分数既反映模型对该边界框中是否包含目标的确信程度，也反映模型对所预测边界框定位精度的判断。形式化地，我们将置信度定义为
每个边界框包含 5 个预测量：(x)、(y)、(w)、(h) 和 confidence。其中，((x, y)) 表示边界框中心点相对于当前网格单元边界的位置坐标；(w) 和 (h) 表示相对于整幅图像的边界框宽度和高度；最后，confidence 表示预测框与任意真实框之间的 IOU（交并比）。
每个网格单元还会预测 C C C 个条件类别概率 P r ( C l a s s i ∣ O b j e c t ) Pr(Class_i|Object) Pr(Classi∣Object)。这些概率是在该网格单元包含目标这一条件下定义的。无论该网格单元预测多少个边界框 B B B，我们都只为每个网格单元预测一组类别概率。
在测试阶段，我们将条件类别概率与每个边界框的置信度预测相乘：
从而得到每个边界框针对各类别的类别特定置信度分数。这些分数同时编码了该边界框中出现某一类别目标的概率，以及预测框与目标真实位置的匹配程度。
最终的输出张量大小为 S ∗ S ∗ ( B ∗ 5 + C ) S*S*(B*5+C) S∗S∗(B∗5+C)
（总共S*S个格子，每个格子预测B个边界框，每个边界框预测五个值，每个网格还要预测C个类别概率）
网络设计
将模型实现为一个卷积神经网络，网络前部的卷积层用于从图像中提取特征，后部的全连接层用于预测输出的类别概率和边界框坐标。
该网络由24个卷积层和2个全连接层组成，仅使用 1 ∗ 1 1*1 1∗1的降维卷积层，随后接 3 ∗ 3 3*3 3∗3的卷积层。
对于一些大目标，或者位于多个网格便捷附近的目标的情况，可能会出现多个框检测到同一个目标的情况，这种情况下我们需要用非极大值抑制（NMS），来删除重复框，只保留最好的那个框。
尝试在本地用yolov8跑一些实验
首先我创建了一个conda 虚拟环境yolov8src，用于跑实验。
而后在github上clone了clone https://github.com/ultralytics/ultralytics.git这个仓库，用于试验。
创建完环境之后，初步写了一个用于跑实验的python脚本来验证是否可行。
python
from ultralytics import YOLO
model = YOLO("yolov8n.yaml")
model.train(data="coco8.yaml", epochs=3, imgsz=640)结果大致如下：
从中可以看到，此代码能够调用yolo模型，虽然此次实验并未进行有效学习，但是目的达到。
而后，我又写了一个pro版本：
python
from ultralytics import YOLO
def main():
model = YOLO("yolov8n.pt")
model.train(
data="coco8.yaml",
epochs=20,
imgsz=640,
batch=8,
device="cpu",
workers=0,
project="runs",
name="train_pretrained",
pretrained=True,
verbose=True
)
if __name__ == "__main__":
main()相较于上一个版本，此版本用了yolov8.pt去预训练权重，且训练了20轮。
最终的results结果如下：
这张图可以说明，这个模型确实学到了东西，但是已经出现了比较明显的过拟合/泛化变差的趋势。
前三章图片表示训练损失，可以看到训练损失整体趋势是往下走的，说明模型在训练集上确实在学习。
但是后面的两张图说明 P r e c i s i o n Precision Precision上升，但是 R e c a l l Recall Recall下降，这意味着模型变得"越来越保守"，说明模型有着过拟合倾向，或许数据太少是一个可能的原因。
但是，下面三张验证损失却在持续往上走，维持高位。这说明模型的训练损失下降但是验证损失上升，泛化能力并没有得到同步提升
最后两张mAP50和mAP50-95整体趋势都在下降，这说明训练越往后，验证集上的综合检测效果反而更差。
epoch=10：
从图中可以看到，epoch=10，有一点过拟合迹象，但比20轮更轻，整体更像"该早停了"的状态
采用best.pt的参数
事实上，我们如果用 b e s t . p t best.pt best.pt内的参数去跑，效果理应最好。
python
from ultralytics import YOLO
model = YOLO(r"C:\Users\huang\ultralytics\runs\detect\runs\train_pretrained\weights\best.pt")
model.train(
data="coco8.yaml",
epochs=5,
imgsz=640,
batch=8,
device="cpu",
workers=0,
project="runs",
name="continue_train"
)最终的结果如下：
相较于上面的两次结果，此次结果虽然也表现出过拟合，但是相对合理一点。
总结来说：
通过三组实验可以看出，YOLOv8 在 coco8 这类超小规模数据集上具有较快的收敛速度，但也表现出明显的过拟合敏感性。首先，在 20 epoch 训练中，虽然训练损失持续下降，但验证损失上升、召回率下降以及 mAP 指标后期退化，表明训练后期泛化能力减弱。相比之下，10 epoch 的训练结果更为稳定，主指标保持在较高水平，因此更适合作为当前任务设置下的初始训练轮数。进一步地，以 best.pt 为起点继续训练 5 epoch 后，模型的 mAP50 基本维持不变，但 mAP50-95 略有下降，同时验证损失继续上升，说明继续训练并未带来实质性性能增益。综合来看，在当前小数据集和 CPU 训练条件下，最佳策略并不是延长训练轮数，而是采用中前期性能最优的 best.pt 作为最终模型。