10.3.4 YOLO 系列

本节定位

YOLO 之所以火，不只是因为它能检测目标， 而是因为它把目标检测做成了更偏工程可用的形式：

• 更快
• 更直接
• 更适合实时场景

所以这节要抓的不是版本号，而是它代表的这条路线：

把检测尽量做成一步到位。

学习目标

• 理解 YOLO 属于哪类检测器
• 理解单阶段检测和两阶段检测的主要差别
• 理解置信度、框筛选和 NMS 的基本作用
• 建立 YOLO 在工程部署里的价值判断

---

一、YOLO 的核心思路是什么？

单阶段检测

YOLO 想做的是：

• 不分两步
• 直接从图像一次性输出类别和框

为什么这很有吸引力？

因为它减少了：

• 额外 proposal 阶段
• 更复杂的检测流水线

所以更容易做到：

• 实时

一个类比

两阶段检测像先圈可疑区域，再派人逐一核查。 YOLO 更像一眼扫过去，同时报出：

• 哪有目标
• 是什么

---

二、YOLO 的输出大致长什么样？

通常可以粗略理解成一组候选框，每个候选都带：

• 类别
• 置信度
• 边界框坐标

后面再通过筛选和 NMS，得到最终结果。

一个更适合新人的类比

可以先把 YOLO 想成：

• 模型先扫完整张图
• 然后一次性报出“哪里像有东西、像什么、框大概在哪”

这和两阶段检测很不一样。 两阶段更像：

• 先到处圈可疑区域
• 再对每个区域做细查

而 YOLO 更像：

一眼看完，再把候选目标整体报出来。

一个很适合初学者先记的判断表

你现在关心什么	更值得先看哪一层
为什么它快	单阶段路线和短推理链
为什么会有一堆框	候选框输出
为什么结果会重叠	NMS 和阈值
为什么实时项目爱用它	工程部署和生态成熟度

这个表很适合新人，因为它会把 YOLO 从“版本名集合”重新变成几个具体问题。

一个最小“候选框输出”示意

下面这个例子不是在模拟真实 YOLO 网络， 而是在帮你建立一个很关键的直觉：

• 模型输出通常不是“最终答案”
• 而是一批带分数的候选框

predictions = [
    {"class": "person", "score": 0.93, "box": (12, 18, 80, 160)},
    {"class": "person", "score": 0.87, "box": (15, 20, 82, 158)},
    {"class": "dog", "score": 0.78, "box": (120, 60, 190, 150)},
]

for pred in predictions:
    print(pred)

预期输出：

{'class': 'person', 'score': 0.93, 'box': (12, 18, 80, 160)}
{'class': 'person', 'score': 0.87, 'box': (15, 20, 82, 158)}
{'class': 'dog', 'score': 0.78, 'box': (120, 60, 190, 150)}

前两个框都是 person 候选，而且位置很接近。下面的 NMS 示例正是用来处理这种情况。

这段输出最值得先记住的不是字段名， 而是：

• 单阶段检测经常天然会吐出很多候选
• 后处理本来就是检测链的一部分

---

三、先跑一个最小 NMS 直觉示例

def iou(box_a, box_b):
    ax1, ay1, ax2, ay2 = box_a
    bx1, by1, bx2, by2 = box_b

    inter_x1 = max(ax1, bx1)
    inter_y1 = max(ay1, by1)
    inter_x2 = min(ax2, bx2)
    inter_y2 = min(ay2, by2)

    inter_w = max(0, inter_x2 - inter_x1)
    inter_h = max(0, inter_y2 - inter_y1)
    inter_area = inter_w * inter_h

    area_a = (ax2 - ax1) * (ay2 - ay1)
    area_b = (bx2 - bx1) * (by2 - by1)
    union = area_a + area_b - inter_area
    return inter_area / union if union > 0 else 0.0


predictions = [
    {"box": (10, 10, 30, 30), "score": 0.95},
    {"box": (12, 12, 31, 31), "score": 0.88},
    {"box": (60, 60, 90, 90), "score": 0.91},
]


def nms(preds, iou_threshold=0.5):
    preds = sorted(preds, key=lambda x: x["score"], reverse=True)
    kept = []

    while preds:
        best = preds.pop(0)
        kept.append(best)
        preds = [
            pred for pred in preds
            if iou(best["box"], pred["box"]) < iou_threshold
        ]

    return kept


print(nms(predictions))

预期输出：

[{'box': (10, 10, 30, 30), 'score': 0.95}, {'box': (60, 60, 90, 90), 'score': 0.91}]

中间那个框被移除，是因为它和分数最高的第一个框重叠太多。第三个框被保留，是因为它离得很远，更像另一个目标。

这个例子最关键的价值是什么？

它说明检测输出并不是直接就能用。 很多时候模型会给出：

• 一堆重叠候选框

而 NMS 的作用就是：

• 保留最有代表性的那几个

为什么这对 YOLO 特别重要？

因为 YOLO 这种单阶段路线天然会产生很多候选， 后处理筛选就是整个检测链的一部分。

再看一个最小“阈值先筛一轮”示例

predictions = [
    {"class": "person", "score": 0.93},
    {"class": "person", "score": 0.48},
    {"class": "dog", "score": 0.78},
]


def filter_by_score(preds, threshold=0.5):
    return [pred for pred in preds if pred["score"] >= threshold]


print(filter_by_score(predictions, threshold=0.5))

预期输出：

[{'class': 'person', 'score': 0.93}, {'class': 'dog', 'score': 0.78}]

低分的 person 候选被移除了。真实项目里，调整这个阈值会直接影响漏检和误检之间的平衡。

这个示例很适合初学者，因为它会帮助你看到：

• 检测系统通常不是直接拿全部候选去画框
• 而是会先用分数和规则筛一轮

读图提示

YOLO 输出通常是一批候选框，不是最终结果。读图时按 score threshold 先过滤低分框，再用 NMS 合并重叠框，最后才得到页面上看到的检测结果。

---

四、为什么 YOLO 在工程上这么受欢迎？

实时性强

很多场景直接要求：

• 摄像头实时检测
• 边缘设备快速响应

YOLO 这类路线很适合这种需求。

结构相对统一

对很多工程同学来说，它比复杂多阶段管线更容易落地。

社区和工程生态成熟

这让它在真实项目里更常被优先尝试。

第一次做实时检测项目时，为什么很多团队会先试 YOLO？

因为 YOLO 往往同时满足了几个很现实的条件：

• 上手快
• 推理链短
• 社区模型多
• 部署资料多

也就是说，它的吸引力不只是精度， 而是：

它特别容易先跑出一个“工程上能看见效果”的版本。

如果把 YOLO 放进项目里，最值得先展示什么

最值得展示的通常不是：

• 只贴一张检测效果图

而是：

1. baseline 检测结果
2. 阈值调整前后对比
3. NMS 前后框变化
4. 误检、漏检、小目标案例

这样别人会更容易看出：

• 你理解的是检测链路
• 不只是调用了一个现成模型

---

五、最容易踩的坑

误区一：YOLO 就等于目标检测

YOLO 是重要路线，但不是全部。

误区二：速度快就一定最适合

还要看：

• 小目标表现
• 框定位质量
• 部署约束

误区三：后处理不重要

NMS、阈值设置这些后处理会直接影响最终体验。

六、第一次做 YOLO 项目时，最稳的默认顺序

第一次把 YOLO 放进项目里，通常更稳的顺序是：

1. 先把类别边界和标注规范定清楚
2. 先用默认模型和默认阈值跑出 baseline
3. 先看误检、漏检、小目标表现
4. 再调阈值和 NMS
5. 最后再考虑更换更大模型或更复杂增强

这个顺序很重要，因为很多新人最容易犯的错是：

• 一上来就换模型
• 但根本没看清 baseline 到底错在哪

一个新人可直接照抄的排查顺序

如果 YOLO 项目效果不理想，更稳的排查顺序通常是：

1. 先看类别边界和标注规范
2. 再看 score threshold 和 NMS
3. 再看误检 / 漏检主要集中在哪类目标
4. 最后再考虑换更大模型或更复杂增强

这样通常比直接换版本号更有效。

---

留下的证据

学完这一页，至少保留这张证据卡：

输入图像

带有真实或期望目标的检测样本

预测

框、标签、置信分数、IoU 和阈值设置

指标

精确率/召回率、mAP、误报和漏报

失败检查

小目标、重叠、NMS、标签差或置信度阈值问题

期望产出

带标注的图片，以及检测指标或错误分组

小结

这节最重要的是建立一个工程判断：

YOLO 代表的是单阶段、实时友好的检测路线，它之所以广泛流行，不只是因为“能检测”，而是因为“更容易在工程里快速检测”。

这节最该带走什么

• YOLO 最重要的不是版本号，而是它代表的单阶段实时路线
• 它的输出通常是一批候选框，后处理是检测链的一部分
• 第一次做项目时，先把 baseline 的误检和漏检看清，再谈模型升级

---

练习

1. 调整示例里的 iou_threshold，看看保留框数如何变化。
2. 用自己的话解释：为什么单阶段检测更容易做到实时？
3. 为什么 NMS 对检测任务很重要？
4. 想一想：什么时候你可能不会优先选 YOLO？

解题思路与讲解

1. 在 NMS 里，iou_threshold 越高，通常抑制越不严格，留下的重叠框可能更多；阈值越低，抑制越激进。
2. 一阶段检测更容易做到实时，因为框和类别在一次前向传播中直接预测，不需要单独的 proposal 阶段。
3. NMS 很重要，因为检测器常会为同一个目标输出多个重叠框。NMS 会保留最可信的框，并去掉重复框。
4. 如果项目更看重严格的小目标精度、精细定位、严重遮挡处理，或非实时的高精度复核，就不一定优先选 YOLO。