2. 目标检测与YOLO基础

在把YOLO部署到FPGA之前，必须先弄清楚“检测”到底在算什么。目标检测要同时回答两个问题：物体在哪里（定位）和它是什么（分类）。与图像分类只输出一个类别不同，检测的输出是一组变长结果，每个结果包含边界框坐标、置信度和类别概率。这一差异直接决定了后续硬件加速器的数据流设计：分类网络只需一条标量输出通路，而检测网络需要多尺度特征、密集候选框和大量后处理。

2.1 目标检测的基本概念

主流检测框架可拆成三个部件：骨干网络（Backbone）负责提取特征，颈部（Neck）负责多尺度特征融合，检测头（Head）负责在特征图上预测框与类别。按检测头数量可分为两阶段（如Faster R-CNN，先出候选区域再分类回归）和单阶段（如YOLO、SSD，直接在特征图上回归）。单阶段方法结构规整、延迟低，是FPGA加速的首选。

边界框的表示方式有四种常见形式，理解它们的换算关系对写后处理RTL非常关键：

• (x1, y1, x2, y2)：左上角与右下角绝对坐标，便于裁剪与绘制。
• (cx, cy, w, h)：中心点与宽高，YOLO训练标签常用此形式。
• 归一化坐标：除以图像宽高，取值0~1，与输入分辨率解耦。
• 网格相对偏移：YOLO预测的是相对网格单元的偏移量tx、ty、tw、th，需经Sigmoid与指数变换还原。

另一个核心概念是锚框（Anchor）。YOLOv3/v4沿用基于聚类的先验框，每个网格单元挂多个不同长宽比的锚框；YOLOv5则通过自适应锚框计算自动匹配数据集。锚框数量直接决定检测头的输出通道数，也决定片上缓存规模。

2.2 评价指标：mAP、IoU与置信度

检测质量靠指标说话。IoU（交并比）衡量预测框与真实框的重叠程度，是判定“命中”的阈值依据；置信度是模型对“框内有目标”的把握；精确率Precision与召回率Recall构成PR曲线，曲线下面积即AP，所有类别AP的平均值就是mAP。工程上常用mAP@0.5（IoU阈值0.5）和mAP@0.5:0.95（阈值0.5到0.95步长0.05取平均），后者更严格。

2.3 YOLO系列算法演进

YOLO的核心思想是把检测统一为回归问题：将图像划分为S×S网格，每个网格直接预测若干框的坐标、置信度和类别，一次前向即可出结果。演进主线可以概括为“更深骨干、更强特征融合、更优训练策略、更简工程实现”。

2.4 YOLOv3/v4/v5核心思想与结构对比

YOLOv3确立了多尺度预测范式：在13×13、26×26、52×52三个尺度上分别检测大、中、小目标，小尺度特征图负责大物体，大尺度特征图负责小物体。它用FPN自顶向下融合，配合K-means聚类得到的9个锚框，奠定了后续版本的基本骨架。

YOLOv4在v3骨架上做了系统性“堆料”：骨干换成CSPDarknet53，激活函数用Mish，颈部引入SPP扩大感受野、PANet实现自底向上二次融合，训练端加入Mosaic、CutMix、SAT等增强，回归损失改用CIoU。它证明了“训练技巧+结构微调”能显著提升精度，但也带来算子多样性，对硬件映射不友好。

YOLOv5把重心转向工程可用性：用Focus切片降低初始计算量，CSP结构减少重复梯度，SiLU替换Mish更易量化，自适应锚框免去手工聚类，并提供n/s/m/l/x五档模型。对FPGA项目而言，v5的算子规整、ONNX导出成熟、量化工具链完善，通常是首选基线。

2.5 常见误区与复盘

• 只看mAP不看延迟：检测器最终要满足帧率约束，mAP高但延迟超标的模型无法上板。
• 忽略后处理开销：NMS和坐标解码在CPU上可能占用30%以上时间，必须评估是否卸载到PL或专用逻辑。
• 锚框与数据集不匹配：直接套用COCO锚框检测工业零件，召回率会明显下降，应重新聚类。
• 量化一刀切：首层与检测头对精度敏感，建议保留更高位宽或采用混合量化。

# YOLOv5 导出 ONNX 的典型命令
python export.py --weights yolov5s.pt --include onnx \
  --img-size 640 640 --batch-size 1 --opset 12

# 输出张量形状（3个检测头）
# output0: [1, 3, 80, 80, 85]
# output1: [1, 3, 40, 40, 85]
# output2: [1, 3, 20, 20, 85]