4. YOLOv1详解：核心思想、网络结构、损失函数、优缺点分析

YOLOv1，说实话，是目标检测领域的一个分水岭。在它之前，大家做检测基本都走「先提候选框，再分类」的路子——R-CNN、Fast R-CNN 都是这个套路。但 YOLO 的作者想得很直接：为什么非要分两步？我一眼看过去就知道画面里有什么、在哪儿，模型为什么不行？

于是，他们把检测当成一个回归问题来解。一张图进去，直接输出边界框坐标和类别概率。嗯，这就是 YOLOv1 最核心的思维转变。

4.1 核心思想：把检测当作回归

YOLOv1 的做法，说白了就是分而治之。它把输入图片划分成 S×S 的网格。每个网格负责检测中心点落在自己内部的目标。

我刚开始看时，有个地方容易绕进去：每个网格预测 B 个边界框，但并不是每个框都要去匹配一个目标。训练时，只有那个与真实框 IoU 最大的预测框，才被选来负责学习这个目标。其他框？它们只学「没有目标」这件事。

整个流程可以概括为：

1. 输入图像缩放到 448×448
2. 通过卷积网络提取特征
3. 最后用全连接层输出 S×S×(B×5 + C) 的张量
4. 对输出做非极大值抑制（NMS），得到最终检测结果

这个 S×S×(B×5 + C) 怎么理解？我习惯这样拆：

• S×S：网格数量，里 S=7
• B：每个网格预测的边界框数量，里 B=2
• 5：每个框的 4 个坐标 (x, y, w, h) + 1 个置信度
• C：类别数，PASCAL VOC 数据集是 20

所以输出张量维度是 7×7×(2×5 + 20) = 7×7×30。

4.2 网络结构：GoogLeNet 的变体

YOLOv1 的网络设计，借鉴了 GoogLeNet 的思路，但没直接用 Inception 模块。它用了 24 个卷积层提取特征，后面接 2 个全连接层做预测。

我记得第一次复现时，最让我意外的是最后用了全连接层。这在当时很常见，但后来大家发现全连接层会丢失空间信息，所以 YOLOv2 就改成了全卷积。嗯，这就是踩坑换来的经验。

模块	结构	输出尺寸
输入	448×448 图像	448×448×3
特征提取	24 个卷积层 + 4 个最大池化层	7×7×1024
全连接	4096 个神经元	4096
输出	7×7×30 张量	1470

4.3 损失函数：多任务学习的经典设计

YOLOv1 的损失函数，是整篇最精妙的地方之一。它把坐标回归、置信度预测、分类三个任务揉在一起，用一个公式搞定。

公式长这样（别怕，我拆开讲）：

Loss = λ_coord * Σ(坐标误差) 
     + Σ(含目标框的置信度误差) 
     + λ_noobj * Σ(不含目标框的置信度误差) 
     + Σ(分类误差)

这里面有几个关键设计：

• λ_coord = 5：加大坐标误差的权重。为什么？因为坐标稍微偏一点，IoU 可能掉很多。我刚开始调参时试过 λ_coord=1，结果框的位置飘得没法看。
• λ_noobj = 0.5：降低无目标框的置信度损失权重。因为大部分网格都是背景，如果权重一样，模型会倾向于把所有置信度都预测为 0。
• 宽高用平方根：对 w 和 h 取平方根再算误差。这样做的目的是让小框的误差惩罚相对更大。你想想看，同样偏差 5 个像素，对小框的影响远大于大框。

4.4 优缺点分析：开山之作的得与失

YOLOv1 的优点很明显，缺点也同样明显。我按自己的理解列一下：

维度	优点	缺点
速度	45 FPS，实时检测的标杆	—
精度	背景误检率低，全局理解好	小目标检测差，密集目标容易漏
泛化	学到目标的通用特征表示	对非训练集尺寸的目标适应差
结构	端到端，简洁优雅	全连接层参数量大，空间信息丢失

具体来说：

• 每个网格只能预测一个类别。如果两个小目标的中心点落在同一个网格里，模型只能选一个。这是 YOLOv1 对小目标密集场景无能为力的根本原因。
• 对目标尺寸变化敏感。训练集里没见过特别大或特别小的目标，推理时就容易翻车。
• 定位精度不够高。尤其是跟后来的 Faster R-CNN 比，YOLOv1 的框位置没那么准。

但话说回来，YOLOv1 的意义不在于它有多完美，而在于它证明了「检测可以一步到位」。这个思路影响了后面所有的单阶段检测器——SSD、YOLOv2/v3/v4/v5，甚至包括一些 Transformer 检测器。