4、深度学习基础回顾：卷积神经网络原理、Anchor机制、NMS非极大值抑制、IOU计算与损失函数
好，咱们进入第四讲。说实话，很多同学一上来就调YOLO的API，跑得挺欢，但一遇到模型不收敛、检测框乱飘，就彻底懵了。为啥？因为底层的这些概念没吃透。
今天这一章，我带你把这几个核心概念彻底捋一遍。卷积神经网络、Anchor、NMS、IOU、损失函数——说白了，这就是YOLO的“内功心法”。内功练好了，后面调参、改网络、甚至自己写检测器，都不在话下。
4.1 卷积神经网络（CNN）——YOLO的“眼睛”
YOLO能“看”到图像里的物体，靠的就是卷积神经网络。我个人习惯把CNN比作一个“特征提取器”。它不像全连接网络那样把每个像素都拉直，而是保留空间结构，用卷积核在图像上滑动。
4.1.1 卷积层在干什么？
说白了，卷积核就是一个小的滤波器。比如3x3的核，在图像上扫一遍，每个位置做点积。这能提取什么？边缘、纹理、角点……浅层提取低级特征，深层组合成高级语义。
关键参数：
- 卷积核大小（Kernel Size）：常用3x3、5x5。我建议小核堆叠，效果比大核好，还省参数。
- 步长（Stride）：每次移动的像素数。步长2相当于下采样。
- 填充（Padding）：保持输出尺寸不变，常用“same”填充。
避坑指南： 我曾经在项目里为了省计算量，把步长设得太大，结果小目标直接“消失”了。后来我学乖了，小目标检测时，步长尽量用1，或者用空洞卷积。
4.1.2 池化层与激活函数
池化层，说白了就是“压缩”。最大池化取区域最大值，平均池化取平均值。它能减少参数，防止过拟合。
激活函数呢？ReLU最常用——max(0, x)。简单粗暴，解决了梯度消失问题。你想想看，如果没有激活函数，多层卷积就等价于一层线性变换，那还学个啥？
4.2 Anchor机制——YOLO的“先验知识”
Anchor是什么？我打个比方。你让一个小孩去认猫，你得先告诉他“猫大概长这样，有耳朵、有尾巴”。Anchor就是给模型预设的“框的模板”。
YOLO v2开始引入Anchor。它不再直接预测框的绝对位置，而是预测相对于Anchor的偏移量。这样模型更容易收敛。
4.2.1 Anchor怎么来的？
不是拍脑袋定的。是用K-means聚类，在训练集上统计出常见的框的宽高比。比如COCO数据集，常见的有小物体、中等物体、大物体，所以会设计9个不同尺度的Anchor。
| 特征图尺度 | 感受野 | Anchor尺寸（举例） | 适合检测 |
|---|---|---|---|
| 大（如52x52） | 小 | (10x13), (16x30), (33x23) | 小物体 |
| 中（如26x26） | 中 | (30x61), (62x45), (59x119) | 中等物体 |
| 小（如13x13） | 大 | (116x90), (156x198), (373x326) | 大物体 |
个人经验： 如果你换了一个新数据集，比如全是细长条物体（像铅笔），一定要重新聚类Anchor。我见过有人直接拿COCO的Anchor去检测交通标志，结果框全偏了。嗯，聚类这一步不能省。
4.3 IOU计算——框的“重合度”
IOU，全称Intersection over Union，交并比。说白了就是两个框重叠的程度。
公式很简单：IOU = 交集面积 / 并集面积。值越大，说明两个框越像。
4.3.1 代码实现
我直接给你看一段我常用的IOU计算代码，简洁高效：
def compute_iou(box1, box2):
# box格式: [x1, y1, x2, y2]
x1 = max(box1[0], box2[0])
y1 = max(box1[1], box2[1])
x2 = min(box1[2], box2[2])
y2 = min(box1[3], box2[3])
inter_area = max(0, x2 - x1) * max(0, y2 - y1)
box1_area = (box1[2] - box1[0]) * (box1[3] - box1[1])
box2_area = (box2[2] - box2[0]) * (box2[3] - box2[1])
union_area = box1_area + box2_area - inter_area
return inter_area / union_area if union_area > 0 else 0注意： 这里有个坑。如果两个框完全不重叠，交集为0，IOU就是0。但有时候我们需要梯度能回传，所以后来有了GIOU、DIOU、CIOU。这些变体在IOU为0时也能提供梯度信息。我建议你在训练时直接用CIOU Loss，效果更稳。
4.4 NMS非极大值抑制——去掉“重复框”
模型预测时，同一个物体周围会冒出很多框。NMS就是把这些框“去重”，只保留最好的那个。
算法步骤很简单：
- 把所有框按置信度从高到低排序。
- 选置信度最高的框，保留它。
- 计算它与其他框的IOU，如果IOU大于阈值（比如0.5），就删掉那些框。
- 重复步骤2-3，直到没有框剩下。
你想想看，如果没有NMS，一张图里同一个行人可能被框了十几次，那画面简直没法看。
4.4.1 NMS的变体
标准NMS有个问题：如果两个物体挨得很近，IOU很大，其中一个会被误删。后来有了Soft-NMS，它不直接删框，而是降低置信度。还有DIoU-NMS，用DIoU代替IOU，对遮挡场景更友好。
避坑指南： 我曾经在密集人群检测中，用标准NMS，阈值设0.5，结果人挨着人的地方全被删了。后来换成Soft-NMS，召回率直接提升了5个点。嗯，场景不同，NMS的选择也不同。
4.5 损失函数——模型学习的“指挥棒”
损失函数告诉模型：你预测得对不对？差了多少？YOLO的损失函数一般包含三部分：
4.5.1 分类损失
判断框里是什么类别。常用交叉熵损失（Cross Entropy Loss）。公式不写了，你记住：它惩罚“预测概率分布”和“真实标签”之间的差异。
4.5.2 定位损失
判断框的位置准不准。早期用MSE（均方误差），但MSE对大框和小框的惩罚不公平。后来YOLO v5用了CIOU Loss，它同时考虑了重叠面积、中心点距离和宽高比。
4.5.3 置信度损失
判断框里有没有物体。这个损失让模型学会“这个位置有东西”还是“没东西”。
| 损失类型 | 常用函数 | 作用 |
|---|---|---|
| 分类损失 | 交叉熵 / Focal Loss | 让类别预测更准 |
| 定位损失 | CIOU / GIOU | 让框的位置更精确 |
| 置信度损失 | BCE Loss | 判断有无物体 |
个人经验： 训练初期，定位损失往往很大，模型会优先学“框在哪”。后期分类损失占主导。我习惯在训练时动态调整三个损失的权重，比如前50个epoch让定位损失权重高一些，后面再平衡。这个小技巧能让模型收敛更快。
4.6 总结
好，这一章的内容就这些。CNN是骨架，Anchor是模板，IOU是度量，NMS是后处理，损失函数是目标。五者缺一不可。
下一章，我们就要开始动手了——用OpenCV读取视频流，再结合YOLO做实时检测。到时候你会发现，今天讲的这些概念，全都会用上。嗯，做好准备。