YOLO 系与单阶段检测

一句话定义

单阶段检测把检测压缩为对整图的一次前向：网络在稠密网格（或锚框/锚点）上同时预测类别、置信度与框，以少量精度换取数十 FPS 的实时性，YOLO 系列是其代表谱系。

为什么重要

工业落地里「实时」往往是硬指标：视频流 30 FPS、边缘设备个位数瓦特功耗，两阶段架构的候选区开销难以承受；YOLO 把检测变成「可训练的稠密回归 + 后处理」，是理解所有实时检测器（YOLO、SSD、FCOS、RetinaNet）的共同骨架。

直观类比

两阶段像先圈出「可能有人的区域」再逐一细看（慢而准），单阶段像一张考卷上每道网格题都直接作答（快而需要更多训练技巧）；FPN 多尺度检测头则像给近视考官配上三副不同度数的眼镜，远的小目标用高分辨率那副看。

前置知识

kp-017（IoU/mAP/NMS 与两阶段流程）；kp-005（多尺度思想）。

核心概念

网格划分：把图像分 S×S 格，物体中心所在格负责预测该物体（YOLOv1 原始设计）。
锚框（Anchor）：预设不同长宽比的参考框，网络回归相对修正；v1 无锚框，v2–v7 主流用锚框。
Anchor-free：FCOS/YOLOv8 式直接在每个位置回归到边界的距离或中心度。
多尺度检测头：P3/P4/P5 三级特征分别负责小/中/大目标（FPN 思想）。
标签分配（Assignment）：决定哪个位置/锚框对哪个真值负责（IoU 阈值法 → 动态分配如 TAL）。
损失组合：框回归（CIoU/IoU）+ 分类（BCE）+ 置信度/目标ness。
NMS 后处理：与 kp-017 相同，阈值决定密集场景表现。

原理与机制

单阶段范式把「候选区生成」并入稠密预测：每个网格点（或锚框/锚点）输出 C 类分数 + 4 个框参数 + 1 个目标置信度，训练用标签分配决定监督对象——正样本稀缺（中心点附近才有）曾是单阶段召回低的主因，RetinaNet 用 Focal Loss 压制易负样本、动态分配（v8 的 TAL）按「分类分 × IoU」综合挑正样本后，单阶段精度已与两阶段同档。版本谱系（概览）：v1（2015，网格回归开山）→ v2/v3（锚框 + 多尺度 + 更强骨干）→ v4/v5（训练技巧集成与工程化，v5 为社区实现未发正式论文）→ v6/v7（重参数化与高效骨干）→ v8（anchor-free + 解耦头 + 动态标签分配，成为当前工程默认）。推理时延与 mAP 的权衡由「骨干宽度/深度缩放系数 + 输入分辨率」三要素控制（v3 起的 s/m/l/x 命名）。

公式与模型

CIoU 损失（v4 起常用）：
 L_CIoU = 1 − IoU + ρ²(b, b_gt)/c² + α·v
 （ρ 中心点距离，c 最小包围框对角线，v 衡量长宽比一致性）
Focal Loss（RetinaNet）：
 FL = −α (1 − p)^γ log p      （γ=2 压制易分负样本）

图示

实例与案例

边缘部署基线：YOLOv8n 在 640 输入下 COCO mAP@0.5 约 52.6%，TensorRT INT8 后在 Orin 级设备可跑实时；安防场景常用 s/m 档位。训练实操：小目标占比高时把输入分辨率提到 960 并提高 P3 头权重，比换更大骨干收益更直接。选型经验：有稠密小目标（人群、远距车辆）优先验证 P3 头与分辨率；吞吐优先则降分辨率比缩骨干更有效。

from ultralytics import YOLO     # 社区工程库，本地安装使用，无网络调用
model = YOLO('yolov8n.pt')
model.train(data='custom.yaml', epochs=100, imgsz=640, mosaic=1.0)
results = model.predict('frame.jpg', conf=0.25, iou=0.5)

常见误区

版本号当官方标准：v5、v6、v8、v9、v10 分属不同团队，无统一「官方版」；对比实验必须锁定同一实现仓库。
默认 NMS 阈值用于密集场景：人群、车流需调高 IoU 阈值或换 Soft-NMS，否则误删相邻真目标。
以为单阶段天然精度低：动态标签分配与 Focal Loss 之后，单阶段与两阶段在 COCO 上已同档，差距更多来自工程细节。
小目标靠堆骨干：小目标瓶颈在特征分辨率与标签分配，优先升分辨率与 P3 头，而非换大骨干。

与其他知识点的关系

评测完全复用 kp-017；多尺度头继承 kp-005 金字塔思想；部署与量化的实战在 kp-027 展开；实例分割头（kp-019）就是在同一检测框架上加掩码分支。

自测题

YOLOv1 的核心思想与两阶段的本质差异是什么？

答案要点：把候选区生成并入稠密网格回归，一次前向同时输出全部框，省去候选阶段的开销。

Focal Loss 解决什么问题？

答案要点：稠密预测中易分负样本数量巨大、主导损失，(1−p)^γ 因子压低其贡献，使训练聚焦难样本。

小目标检测效果差，第一步该调什么？

答案要点：优先提高输入分辨率并检查 P3 头与标签分配，其次才考虑更大骨干或更大模型。

前置知识点