3、YOLO理论基础：目标检测任务定义、YOLO核心思想（网格划分、边界框预测）、损失函数简介
好，咱们今天来聊聊YOLO的理论基础。说实话，很多初学者一上来就急着调代码，结果连YOLO到底在干什么都没搞明白。我个人习惯是，先把底层逻辑吃透，后面调参、debug的时候心里才有底。
3.1 目标检测任务：到底在检测什么？
先说说目标检测这个任务本身。你想想看，图像分类只是告诉你是「猫」还是「狗」，但目标检测要回答两个问题：「是什么」和「在哪里」。
具体来说，一个完整的目标检测输出包含两部分：
- 类别标签：比如人、车、猫、狗，用数字0,1,2...表示
- 边界框（Bounding Box）：通常用四个值表示——(x, y, w, h)，分别是中心点坐标和宽高
我在项目中遇到过最坑的事，就是有人把边界框的坐标格式搞混了。有的框架用左上角+右下角，有的用中心点+宽高。YOLO用的是后者，这个后面会细说。
核心要点：目标检测 = 分类 + 定位。缺一不可。
3.2 YOLO的核心思想：把检测当成回归问题
YOLO的全称是You Only Look Once。为什么叫这个名字？因为传统方法（比如R-CNN系列）要分两步走：先提候选区域，再对每个区域做分类。YOLO直接一步到位——看一眼整张图，就能同时输出所有物体的位置和类别。
说白了，YOLO把目标检测当成一个回归问题来处理。输入一张图片，输出一个张量，这个张量里编码了所有边界框和类别概率。
3.3 网格划分：把图像切成S×S的格子
YOLO最巧妙的设计就是网格划分。它会将输入图像分成S×S个网格（比如7×7或13×13）。每个网格负责检测中心点落在该网格内的物体。
举个例子：假设一张图里有只狗，狗的中心点落在第3行第5列的网格里，那么这个网格就负责预测这只狗。
我的经验：网格大小直接影响检测精度。网格越细，小物体检测越好，但计算量也越大。YOLOv3用了3种不同尺度的网格，就是为了兼顾大小物体。
每个网格会预测B个边界框（通常B=2或3），以及C个类别概率。所以输出张量的维度是：S × S × (B × 5 + C)。这里的5指的是：x, y, w, h, confidence（置信度）。
3.4 边界框预测：如何用网格定位物体？
这里有个关键点，YOLO不是直接预测边界框的绝对坐标，而是预测相对于网格的偏移量。为什么要这样？因为直接预测绝对坐标太难收敛了，网络根本学不动。
具体来说，YOLO预测的是：
- tx, ty：边界框中心相对于网格左上角的偏移（经过sigmoid归一化到0~1之间）
- tw, th：边界框宽高相对于锚框（Anchor Box）的缩放比例
最终的真实坐标计算公式如下：
bx = σ(tx) + cx
by = σ(ty) + cy
bw = pw * exp(tw)
bh = ph * exp(th)其中cx, cy是网格的左上角坐标，pw, ph是锚框的宽高。
避坑指南：我曾经在训练自己的数据集时，发现loss死活降不下去。查了半天，原来是锚框尺寸没根据数据集重新聚类。YOLO默认的锚框是针对COCO数据集的，换了自己的数据一定要重新算！
3.5 损失函数简介：YOLO是怎么学习的？
YOLO的损失函数由三部分组成，嗯，这里要注意，它是个多任务损失：
| 损失项 | 作用 | 权重 |
|---|---|---|
| 坐标损失 | 衡量预测框和真实框的位置差异（x, y, w, h） | λcoord = 5 |
| 置信度损失 | 衡量预测框是否包含物体的置信度 | 有物体时=1，无物体时=0.5 |
| 类别损失 | 衡量预测类别是否正确 | 1 |
坐标损失用的是均方误差（MSE），但YOLO对w和h做了开根号处理。为什么？因为同样偏差10个像素，对于大物体影响不大，但对于小物体可能就是致命的。开根号能缓解这个问题。
置信度损失分两种情况：
- 如果网格内有物体：计算预测置信度与真实IoU之间的误差
- 如果网格内没有物体：只计算置信度误差，但权重降低（0.5倍）
这样做是因为大部分网格都是背景，如果不降低权重，网络会倾向于把所有网格都预测为「无物体」。
一句话总结：YOLO的损失函数就是在告诉网络——「有物体的地方给我好好预测，没物体的地方别瞎操心」。
3.6 非极大值抑制（NMS）：去掉重复的框
YOLO预测完后，同一个物体可能会被多个网格检测到，产生大量重叠的边界框。这时候就需要NMS来去重。
步骤很简单：
- 按置信度从高到低排序
- 选置信度最高的框，计算它与其他框的IoU
- 删除IoU大于阈值（通常0.5）的框
- 重复直到处理完所有框
调参建议：NMS阈值设得太低会漏检，设得太高会有大量重复框。我一般从0.5开始调，根据实际效果上下浮动0.05。
3.7 小结：YOLO到底牛在哪？
回顾一下YOLO的核心思想：
- 端到端：输入一张图，直接输出检测结果，不需要复杂的pipeline
- 速度快：因为只看一次，所以实时性极好，能跑到30FPS以上
- 全局理解：YOLO在整张图上做预测，能看到上下文信息，不像滑动窗口那样只看局部
当然，YOLO也有缺点。早期版本对小物体检测效果不好，因为每个网格只能预测两个框。后来的YOLOv3、v4、v5通过多尺度预测和更深的网络结构，逐步解决了这个问题。
下一章我们会动手搭建YOLO的网络结构，到时候你会更直观地理解这些理论是怎么落地的。
公众号:蓝海资料掘金营，微信deep3321