3. 深度学习基础回顾

说实话，很多同学一上来就急着调YOLO的代码，结果连卷积怎么算的、锚框干嘛用的都没搞明白。我见过太多人卡在“为什么我的模型检测不到小目标”这种问题上，其实根子就在这几个基础概念没吃透。

这一章，咱们就把YOLO背后的四个核心概念掰开揉碎讲清楚。别怕，我会用我踩过的坑帮你铺路。

3.1 卷积神经网络（CNN）——YOLO的骨架

YOLO本质上就是一个CNN。你想想看，一张图片进来，怎么变成一堆框和类别？靠的就是卷积层一层层地“看”图像。

3.1.1 卷积到底在干什么？

说白了，卷积就是一个滑动窗口。一个小矩阵（卷积核）在图像上滑过，每个位置做一次点乘求和。我刚开始学的时候，总觉得这玩意儿很玄乎，后来自己手写了一次前向传播，才明白它就是在提取特征——边缘、纹理、形状，一层比一层抽象。

举个例子，输入是224×224的图像，用3×3的卷积核，步长1，填充1，输出还是224×224。嗯，这里要注意，填充是为了不让图像越卷越小。

3.1.2 池化层——降维的艺术

池化层就是“浓缩精华”。最大池化取窗口里的最大值，平均池化取平均值。我在做一个小目标检测项目时，发现池化层用太多会把小目标直接“池”没了。后来我改用步长卷积来降采样，效果好了不少。

3.2 感受野——网络到底看到了多大范围？

感受野这个概念，我当年面试的时候被问过好几次。它指的是特征图上某个点对应到原始图像上的区域大小。你想想看，如果感受野太小，网络只能看到局部，检测大物体就会出问题。

3.2.1 感受野的计算

计算公式其实不复杂：

# 感受野计算示例
def compute_rf(layers):
    rf = 1
    for k, s in layers:
        rf = rf + (k - 1) * s
    return rf

# 例子：3层3x3卷积，步长均为1
print(compute_rf([(3,1), (3,1), (3,1)]))  # 输出 7

3层3×3卷积堆叠，感受野是7×7。为什么不用一个7×7的卷积？因为三层3×3参数量更少，非线性更强。这是我个人习惯——能用小卷积堆叠就不用大卷积。

3.3 锚框（Anchor Box）——YOLO的“预设答案”

锚框是YOLO里最容易被忽视但又最关键的设计之一。说白了，它就是一组预设的框，网络只需要预测这些框的偏移量，而不是直接预测坐标。

3.3.1 为什么需要锚框？

直接预测坐标太难了。网络要预测(x, y, w, h)，这四个值范围太大，不稳定。有了锚框，网络只需要预测“相对于锚框的偏移”，范围小得多，训练也稳定得多。

我记得第一次自己训练YOLOv3时，用了默认的锚框，结果检测自行车总是偏大。后来我重新用K-Means聚类了训练集的标注框，换了锚框，mAP直接涨了3个点。

3.3.2 锚框的生成与匹配

YOLO通常在每个特征图网格上放3个不同尺寸的锚框。训练时，每个标注框会匹配IoU最大的锚框。匹配上了，这个锚框就负责预测这个物体。

3.4 非极大值抑制（NMS）——去掉多余的框

模型预测完，同一个物体上可能叠了十几个框。NMS就是把这些框合并成一个。流程很简单：选置信度最高的框，去掉所有和它IoU大于阈值的框，重复直到没有框剩下。

3.4.1 NMS的代码实现

def nms(boxes, scores, iou_threshold=0.5):
    # boxes: [[x1,y1,x2,y2], ...]
    # scores: [0.9, 0.8, ...]
    indices = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
    keep = []
    
    while indices:
        i = indices[0]
        keep.append(i)
        # 计算当前框与其余框的IoU
        ious = compute_iou(boxes[i], boxes[indices[1:]])
        # 保留IoU小于阈值的框
        indices = [indices[j+1] for j, iou in enumerate(ious) if iou < iou_threshold]
    
    return keep

这段代码我手写过不下十次。注意一点：IoU阈值设得太低（比如0.3），会漏掉挨得近的物体；设得太高（比如0.7），又会留下很多重复框。我一般从0.5开始调。

3.4.2 NMS的变种

YOLOv5用了加权NMS，不是简单去掉，而是把重叠框的坐标按置信度加权平均。Soft-NMS则是降低重叠框的置信度而不是直接去掉。这些改进在密集场景下特别有用。

3.5 知识体系总览

下面这张图把四个概念串起来了。CNN提取特征，感受野决定网络能看到多大范围，锚框提供预设的检测模板，NMS负责后处理去重。YOLO就是靠这套组合拳实现端到端检测的。

3.6 本章小结

这四个概念是YOLO的基石。CNN负责提取特征，感受野决定了网络能看到多大的上下文，锚框提供了检测的“先验知识”，NMS负责后处理去重。我建议你把这章的内容吃透再往下走，不然后面调参的时候会一头雾水。