4、YOLO模型原理入门：理解YOLO系列模型的核心思想

在Raspberry Pi上部署目标检测模型之前，理解模型本身的运作机制至关重要。YOLO（You Only Look Once）系列模型自2016年问世以来，凭借其单阶段检测架构和极高的推理速度，成为边缘设备实时视觉应用的首选。本章将深入剖析YOLO的核心思想——单阶段检测、锚框机制、置信度与类别概率，并对比YOLOv5与YOLOv8等主流变体的技术特点，为后续在树莓派上完成模型转换、推理优化打下坚实的理论基础。

4.1 单阶段检测：从两阶段到一步到位

目标检测领域早期以两阶段检测器（如Faster R-CNN）为主流。这类方法首先通过区域提议网络（RPN）生成可能包含目标的候选区域，再对每个候选区域进行二次分类和边界框回归。虽然精度较高，但两阶段架构的计算开销巨大，在树莓派等低算力设备上难以达到实时帧率。

YOLO系列开创性地将检测任务重构为单次回归问题。模型将输入图像划分为S×S的网格，每个网格单元负责预测固定数量的边界框及其类别概率。整个过程仅需一次前向传播即可输出全部检测结果，无需独立的区域提议阶段。这种设计带来了两个关键优势：

• 推理速度极快：单次前向传播即可完成检测，计算量远低于两阶段方法，在树莓派上可达到10-30 FPS（视模型大小和优化程度而定）。
• 全局上下文感知：模型在整张图像上进行卷积操作，能够隐式地利用全局信息，减少背景误检。

然而，单阶段检测也面临挑战：正负样本极度不平衡（大部分网格单元不包含目标），以及小目标检测精度相对较低。后续YOLO版本通过多尺度特征融合、更精细的标签分配策略逐步缓解了这些问题。

4.2 锚框机制：预设先验框与坐标回归

锚框（Anchor Box）是YOLO系列实现边界框预测的核心机制。在训练和推理过程中，模型并非直接预测边界框的坐标，而是相对于预设锚框的偏移量。这一设计大幅降低了回归任务的难度。

具体而言，YOLO在特征图的每个网格单元上预设K个不同尺寸和宽高比的锚框。以YOLOv5为例，默认配置为每个网格单元3个锚框，分别对应小、中、大三种目标尺度。模型预测的边界框参数包括：

• 中心点偏移：tx, ty，表示预测框中心相对于网格单元左上角的偏移量，经过Sigmoid函数归一化到[0,1]区间。
• 宽高缩放：tw, th，表示预测框宽高相对于锚框宽高的对数缩放比例。
• 目标置信度：objectness，表示该锚框内是否包含目标的概率。
• 类别概率：class scores，表示目标属于各类别的概率分布。

锚框的尺寸并非随意设定，而是通过K-means聚类算法在训练数据集上统计得出。例如，在COCO数据集上，YOLOv5使用的锚框尺寸为：

小尺度特征图（80×80）：[10,13], [16,30], [33,23]
中尺度特征图（40×40）：[30,61], [62,45], [59,119]
大尺度特征图（20×20）：[116,90], [156,198], [373,326]

这种多尺度锚框设计使得模型能够同时检测不同大小的目标。在树莓派部署时，如果目标场景与预训练数据集差异较大（例如检测特定工业零件），建议重新聚类锚框尺寸以提升精度。

4.3 置信度与类别概率：理解模型的输出语义

YOLO模型的每个预测框都包含两个关键的概率指标：置信度（Confidence）和类别概率（Class Probability）。理解这两个指标的区别与联系，对于正确解读模型输出、设置合理的过滤阈值至关重要。

置信度定义为：Confidence = Pr(Object) × IoU(pred, truth)。它同时编码了两个信息：该锚框内是否真的有目标（Pr(Object)），以及预测框与真实框的重合程度（IoU）。在推理时，置信度分数直接反映了预测框的可靠程度。如果置信度低于某个阈值（通常设为0.25-0.5），该预测框将被直接丢弃。

类别概率表示在确定框内有目标的前提下，目标属于各类别的条件概率分布。最终用于过滤的分数通常为：

final_score = confidence × class_probability

这个综合分数同时考虑了"框内是否有目标"和"目标属于哪一类"两个维度。在树莓派推理脚本中，常见的后处理流程为：

1. 将模型输出的原始张量reshape为 [num_anchors, 5 + num_classes] 的格式。
2. 对每个锚框计算综合分数 = objectness × max(class_scores)。
3. 过滤掉综合分数低于阈值的预测框。
4. 对剩余的框执行非极大值抑制（NMS），去除重叠度高的冗余框。

4.4 YOLOv5与YOLOv8：主流变体的技术演进

在树莓派部署场景中，YOLOv5和YOLOv8是目前最常用的两个版本。两者在架构和训练策略上各有特点，选择时需要根据具体需求权衡。

YOLOv5（2020年发布）并非官方YOLO系列，但因其工程化程度极高而广受欢迎。其核心特点包括：

• CSPDarknet骨干网络：采用跨阶段局部连接（Cross Stage Partial）减少计算冗余，提升梯度流动性。
• PANet特征融合：通过自底向上的路径增强，强化多尺度特征的融合效果。
• Mosaic数据增强：将4张训练图像拼接为一张，显著提升小目标检测能力。
• 模型缩放策略：提供n/s/m/l/x五种尺寸，方便在算力与精度之间灵活取舍。

YOLOv8（2023年发布）是Ultralytics公司推出的官方继任者，在YOLOv5的基础上进行了多项关键改进：

• C2f模块：替代C3模块，通过更丰富的梯度流设计提升特征提取能力。
• Anchor-Free检测头：YOLOv8回归到无锚框设计，直接预测目标中心点与宽高，简化了后处理流程。
• 解耦检测头：将分类和回归分支分离，各自使用独立的卷积层，提升收敛速度和精度。
• 更优的标签分配：采用TaskAlignedAssigner策略，根据分类与回归的联合质量分配正样本。

4.5 案例拆解：在树莓派上选择YOLO变体

假设我们需要在树莓派4B（4GB RAM）上部署一个实时安全帽检测系统，用于监控工地入口。输入视频流为1080p，要求检测帧率不低于10 FPS，且对安全帽（小目标）的召回率有较高要求。

初始方案对比：

1. YOLOv5s：模型大小约14 MB，在树莓派上经ONNX Runtime优化后可达约18 FPS。但安全帽在画面中通常只占几十个像素，属于典型的小目标，YOLOv5s的召回率约为82%。
2. YOLOv8s：模型大小约22 MB，推理速度约12 FPS。得益于C2f模块和解耦检测头，小目标召回率提升至89%。
3. YOLOv5n：模型仅4 MB，推理速度可达25 FPS，但召回率降至75%，漏检率偏高。

分析判断过程：考虑到安全帽检测的漏检可能导致安全事故，精度优先级高于速度。YOLOv8s虽然帧率略低，但仍在10 FPS以上，满足实时性要求。进一步分析发现，YOLOv8s的Anchor-Free设计省去了锚框匹配的后处理步骤，在树莓派CPU上的单帧处理时间反而比YOLOv5s更稳定。

实际操作步骤：

1. 使用Ultralytics官方仓库导出YOLOv8s的ONNX模型：yolo export model=yolov8s.pt format=onnx imgsz=640
2. 在树莓派上安装ONNX Runtime：pip install onnxruntime
3. 编写推理脚本，将输入图像resize到640×640，归一化后送入模型。
4. 对输出张量执行解码：由于YOLOv8是Anchor-Free，直接取中心点坐标和宽高即可。
5. 应用置信度阈值0.35和NMS（IoU阈值0.5）过滤冗余框。

结果对比：部署后实测，YOLOv8s在树莓派4B上达到11.5 FPS，安全帽召回率89.3%，误检率2.1%。相比YOLOv5s，召回率提升7个百分点，误检率下降0.8个百分点，代价是帧率降低约6 FPS。最终方案选择YOLOv8s，并在代码中增加跳帧逻辑（每2帧处理1帧）以平衡负载。

风险与代价：YOLOv8s的模型文件较大，首次加载耗时约3秒。此外，树莓派在持续高负载运行时温度可能超过80°C，需要加装散热片或风扇。复盘经验：对于小目标密集场景，优先选择YOLOv8系列；若对帧率有更高要求，可尝试YOLOv8n并配合TensorRT加速。

4.6 总结复盘：YOLO核心思想与树莓派部署要点

本章围绕YOLO模型的核心机制展开，关键要点可归纳为：

• 单阶段检测是YOLO在边缘设备上实现实时性的根本保证，省去了区域提议阶段。
• 锚框机制（或YOLOv8的Anchor-Free）将边界框预测转化为相对偏移回归，降低了学习难度。
• 置信度与类别概率共同构成最终过滤分数，阈值设置直接影响检测的精确率与召回率。
• YOLOv5与YOLOv8在架构上的差异（C2f、解耦头、Anchor-Free）带来了精度与速度的不同权衡。

在树莓派上部署时，建议遵循以下流程：先确定任务对精度和速度的优先级，再选择合适的模型尺寸（n/s/m），最后通过ONNX Runtime或TensorRT进行推理优化。理解模型原理不仅有助于正确配置参数，更能在遇到检测效果不佳时快速定位问题根源——是锚框尺寸不匹配、置信度阈值不当，还是特征提取能力不足。