前言
最近花了几天时间系统学习了YOLO（You Only Look Once）系列的三个经典版本：YOLOv1、YOLOv2、YOLOv3。作为目标检测领域里程碑式的工作，YOLO系列以其"端到端、速度快"的特点深受工业界喜爱。这篇博客记录一下我的学习心得，梳理三个版本的核心思想和改进点，希望能帮到同样在学习的同学。
一、YOLOv1：开山之作
1.1 核心思想
YOLOv1最大的创新在于把目标检测当作回归问题来处理。此前的R-CNN系列都是"候选区域+分类"的两阶段方法，而YOLO直接用一个CNN网络，输入整张图片，输出边界框坐标和类别概率。一句话概括：You Only Look Once------看一眼就知道图里有什么、在哪里。
1.2 网络结构
- 输入：448×448×3
- 主干：类似GoogLeNet的24层卷积 + 2层全连接
- 输出：7×7×30 的张量
1.3 输出解读（重点）
把图片划分成 7×7 的网格，每个网格负责预测：
- 2个边界框，每个框包含5个值：(x, y, w, h, confidence)
- 20个类别概率（VOC数据集）
所以每个grid cell输出：2×5 + 20 = 30维，整张图输出：7×7×30。
⚠️ 注意：confidence = P(object) × IoU，表示这个框里有没有物体以及框得准不准。
1.4 损失函数
YOLOv1的损失函数是均方误差，由三部分组成：
- 坐标损失：对负责预测物体的框计算 (x,y,w,h) 误差，w、h开根号是为了缓解大小框的敏感度差异
- 置信度损失：分有物体和无物体两种情况，无物体时权重较小（λ_noobj=0.5）
- 分类损失：20类的分类误差
1.5 优缺点
优点：
- 速度快，base版45 FPS，fast版155 FPS
- 全局视野，背景误检率低
缺点：
- 每个格子只能预测一个类别，对小目标和密集目标效果差
- 定位精度不如两阶段方法
- 7×7网格比较粗糙
二、YOLOv2：更快更强
YOLOv2（也叫YOLO9000）主要解决v1定位不准、召回率低的问题。
2.1 主要改进
| 改进点 | 说明 |
|---|---|
| Batch Normalization | 每个卷积层后加BN，去掉Dropout，mAP提升2% |
| 高分辨率分类器 | 预训练用448×448，适应检测任务 |
| Anchor Boxes | 借鉴Faster R-CNN，用先验框代替直接回归 |
| K-means聚类 | 聚类得到更适合数据集的anchor尺寸 |
| Darknet-19 | 新的主干网络，19个卷积层 |
| 多尺度训练 | 每10个batch换一次输入尺寸（320~608） |
| 细粒度特征 | passthrough层融合浅层特征，提升小目标检测 |
2.2 Anchor Boxes 与 K-means
YOLOv1直接预测框的坐标，而v2改为预测相对于anchor的偏移量。Anchor的尺寸不是手工设定，而是对训练集所有GT框做K-means聚类（距离用1-IoU），聚出5个最合适的anchor。
2.3 输出解读
- 输入：416×416
- 输出：13×13×(5×(5+20)) = 13×13×125
- 每个grid cell预测5个anchor，每个anchor有5个值+20类概率
2.4 Darknet-19结构
结构类似VGG，但用了大量3×3卷积和1×1卷积降维，19个卷积层+5个maxpool，精度与速度兼顾。
三、YOLOv3：集大成者
YOLOv3是YOLO系列真正"出圈"的版本，工业界应用极广。
3.1 核心改进
- 新主干网络 Darknet-53：引入残差结构，53个卷积层，比ResNet-152快2倍且精度相当
- 多尺度预测（FPN思想） ：在3个不同尺度上预测
- 13×13：检测大物体
- 26×26：检测中等物体
- 52×52：检测小物体
- 用Logistic代替Softmax：支持多标签分类（一个物体可能属于多个类别）
- 9个anchor：每个尺度3个，也是K-means聚出来的
3.2 网络结构
text
输入 416×416
↓
Darknet-53 提取特征
↓
三个分支（类似FPN）：
- 13×13 → 上采样 → 与26×26特征融合 → 预测
- 26×26 → 上采样 → 与52×52特征融合 → 预测每个尺度的输出：13×13×3×(5+80)（COCO 80类）。
3.3 损失函数
YOLOv3的损失由三部分组成：
- 定位损失：还是用MSE（后续版本改成CIoU）
- 置信度损失：二分类交叉熵
- 分类损失：二分类交叉熵（多标签）
3.4 性能对比
| 模型 | mAP | 速度 |
|---|---|---|
| YOLOv1 | 63.4 | 45 FPS |
| YOLOv2 | 76.8 | 67 FPS |
| YOLOv3-416 | 55.3 (COCO) | 35 FPS |
注：不同数据集指标不可直接比较，仅作参考。
四、三个版本对比总结
| 维度 | YOLOv1 | YOLOv2 | YOLOv3 |
|---|---|---|---|
| 主干网络 | 类GoogLeNet | Darknet-19 | Darknet-53 |
| 预测方式 | 直接回归 | Anchor | Anchor + 多尺度 |
| 网格划分 | 7×7 | 13×13 | 13/26/52 |
| 分类 | Softmax | Softmax | Logistic |
| 小目标 | 差 | 一般 | 好 |
| 多尺度 | ❌ | 训练时 | 预测时 |
演进主线：
- v1：开创"单阶段检测"路线
- v2：引入Anchor、BN、聚类，全面提升精度
- v3：多尺度 + 残差主干，成为工业标配
五、学习心得
- 理解YOLO的关键是理解输出张量的含义。看懂13×13×125或13×13×255代表什么，基本就懂一半了。
- Anchor机制是v2之后的重点。要理解K-means聚类怎么选anchor，以及为什么用相对偏移而不是绝对坐标。
- 多尺度预测是v3的精髓。小目标检测能力的大幅提升主要靠这个。
- 看论文时配合代码（如ultralytics或darknet）一起看，理解会深刻很多。
参考文献
- Redmon J, et al. You Only Look Once: Unified, Real-Time Object Detection. CVPR 2016.
- Redmon J, Farhadi A. YOLO9000: Better, Faster, Stronger. CVPR 2017.
- Redmon J, Farhadi A. YOLOv3: An Incremental Improvement. arXiv 2018.