3、深度学习基础回顾：卷积神经网络（CNN）核心概念、锚框（Anchor Box）机制、非极大值抑制（NMS）、交并比（IoU）计算原理

做目标检测，光会调API可不行。你得把底层的几个核心概念吃透。今天咱们就聊聊CNN、锚框、NMS和IoU。这些是YOLO的骨架，理解了它们，后面调参、改模型才有底气。

3.1 卷积神经网络（CNN）—— 特征提取的“眼睛”

CNN说白了就是一套自动找特征的过滤器。我刚开始接触时，总觉得它很玄乎。后来在项目里调试一个车牌识别模型，才真正体会到——卷积核就是特征探测器。

一个典型的CNN包含这几层：

• 卷积层：用滑动窗口（卷积核）扫描图像，提取边缘、纹理等低级特征，再组合成高级语义。
• 激活层（ReLU）：去掉负值，增加非线性。没有它，网络再深也只是线性变换。
• 池化层：下采样，缩小特征图尺寸，同时保留主要信息。我习惯用最大池化，效果稳定。
• 全连接层：把特征图拉平，做最终分类或回归。

在YOLO里，CNN负责把输入图片变成一堆特征图。这些特征图里藏着物体的位置、类别和置信度信息。嗯，这里要注意——YOLO用的是全卷积网络，没有全连接层，这样能处理任意尺寸的输入。

3.2 锚框（Anchor Box）—— 预设的“形状模板”

锚框是什么？说白了就是一组预设的矩形框。它们代表了你希望检测到的物体可能出现的形状和大小。

YOLO v3用了9个锚框，分3个尺度。每个尺度3个框。为什么是9个？因为COCO数据集里的物体形状大致能聚成9类。我曾在项目中自己聚类过锚框，效果确实比默认的好——锚框越贴合你的数据集，模型收敛越快。

特征图尺度	感受野	锚框尺寸（宽×高）	适合检测
13×13	大	(116×90), (156×198), (373×326)	大物体（如汽车、行人）
26×26	中	(30×61), (62×45), (59×119)	中等物体（如瓶子、书）
52×52	小	(10×13), (16×30), (33×23)	小物体（如鸟、手机）

每个锚框会预测4个偏移量（tx, ty, tw, th）和1个物体置信度，再加上类别概率。最终解码成真实的边界框。

3.3 交并比（IoU）—— 衡量“框得准不准”

IoU就是两个框的交集面积除以并集面积。值越大，说明两个框越重合。

公式很简单：

IoU = (A ∩ B) / (A ∪ B)

取值范围0到1。0表示完全不重叠，1表示完全重合。在YOLO里，IoU有三个关键用途：

• 训练时：判断锚框是否匹配真实目标（通常IoU > 0.5就算正样本）。
• 评估时：计算mAP，判断预测框是否算正确检测。
• 后处理时：NMS用它来去重。

你想想看，如果IoU阈值设得太低（比如0.3），很多不准确的框也会被算成正确；设得太高（比如0.9），又可能漏掉一些接近的检测。我一般习惯在验证集上调一下这个阈值，找到最佳平衡点。

3.4 非极大值抑制（NMS）—— 去掉“重复框”

模型预测时，同一个物体周围会冒出很多框。NMS就是把这些冗余框干掉，只保留最好的那个。

流程很简单：

1. 把所有预测框按置信度从高到低排序。
2. 选置信度最高的框，保留它。
3. 计算它跟其他所有框的IoU。
4. 如果IoU大于阈值（比如0.5），就把那些框删掉。
5. 重复步骤2-4，直到没有框剩下。

为什么会这样？因为同一个物体上，高置信度的框通常更准。低置信度的框跟它重叠太多，说明是重复检测，直接扔掉。

3.5 知识体系总览

下面这张图把四个核心概念的关系串起来了。你看一遍，应该能理解它们在YOLO里的协作方式。

从图上你能看到：输入图像经过CNN提取特征，生成多尺度特征图。锚框提供形状先验，跟特征图一起解码出预测框。然后IoU上场，衡量预测框跟真实框的重叠程度。最后NMS出手，去掉重复框，输出最终结果。

这四个概念环环相扣。我在实际项目中，经常需要来回调它们——改锚框尺寸、调NMS阈值、换IoU计算方式。每次改动，效果都立竿见影。所以，别觉得它们是理论，它们是调优的武器。