3.3 从分类到检测：YOLO的核心思想

核心问题： 图像分类只能回答“有什么”，那模型如何进一步回答“它在哪里”？

在线 Notebook

对应的交互式版本可在 Google Colab 打开，统一使用方式见第0章说明。

技术背景

核心问题

3.2 介绍了 CNN 如何从图像中提取特征。但现实中的视觉系统往往不只需要识别类别，还需要知道目标的位置。

换句话说，分类只回答“是什么”，而检测还必须回答“在哪里”。

关键概念

概念	简单解释
目标检测	识别图像中的目标，并给出位置
边界框	用矩形框表示目标的位置
单阶段检测器	一次前向传播同时预测类别和位置
NMS	删除重复检测框的后处理方法

应用场景

自动驾驶：检测车辆、行人、交通标志
安全监控：检测异常目标或事件
工业质检：检测缺陷和目标位置

思考问题

为什么目标检测比分类更难？
为什么YOLO适合实时应用？

本节学习目标

完成本节后，你应该能够：

✅ 理解分类与检测的根本区别
✅ 理解YOLO如何把检测转化为回归问题
✅ 理解单阶段检测器的速度优势与权衡

目标检测的问题

分类 vs 检测

图像分类：

输入图像 → 输出一个类别
例子：这张图里有一只猫

目标检测：

输入图像 → 输出多个目标 + 每个目标的位置
例子：
- 猫：位置(x1, y1, x2, y2)
- 狗：位置(x1, y1, x2, y2)

检测比分类更难，因为模型要同时完成两件事：

识别是什么
定位在哪里

为什么更难

目标检测面临额外挑战：

图中可能有多个目标
不同目标大小不同
目标可能互相遮挡
还要满足实时性要求

因此，检测是在分类之外再加一层空间回归和后处理，任务复杂度会明显上升。

YOLO的核心思想

YOLO（You Only Look Once）的关键创新是：把目标检测变成一次前向传播完成的回归问题。

传统思路

早期检测方法通常是：

滑动窗口 / 区域候选
  ↓
对每个区域单独分类
  ↓
合并结果

问题： 候选区域太多，速度慢，系统复杂。

YOLO思路

YOLO直接把整张图像输入网络：

输入图像
  ↓
CNN提取特征
  ↓
输出网格预测
  ├─ 边界框坐标
  ├─ 置信度
  └─ 类别概率

关键变化： 不再先“找候选区域”，而是直接预测所有目标。

这也是 YOLO 被看作“单阶段检测”的原因：它把检测从多步骤流水线收束成一次前向传播。

YOLO如何工作

1. 图像划分为网格

YOLO把输入图像划分为多个网格单元。

图像
┌───┬───┬───┐
│ G │ G │ G │
├───┼───┼───┤
│ G │ G │ G │
├───┼───┼───┤
│ G │ G │ G │
└───┴───┴───┘

每个网格负责预测落在自己区域内的目标。

2. 每个网格输出什么

每个网格通常输出：

边界框坐标 (x, y, w, h)
目标置信度 confidence
类别概率 class probabilities

于是，检测问题就从“搜索目标”变成了“直接回归这些数值”。

3. 非极大值抑制（NMS）

多个网格可能同时预测到同一个目标，因此需要后处理：

保留最高置信度的框
删除和它高度重叠的重复框

这一步叫 NMS（Non-Maximum Suppression）。

NMS 的存在说明，检测不是只靠网络输出，还需要一个把重复结果整理成最终答案的工程后处理。

为什么YOLO快

YOLO快的原因在于：

一次前向传播完成检测
端到端训练
不需要复杂的候选区域生成

因此它非常适合：

实时视频分析
自动驾驶
边缘设备部署

YOLO的权衡

YOLO不是“全面最优”，而是典型的工程权衡。

优势

速度快
结构简单
易于端到端优化

局限

小目标检测较难
密集目标场景容易漏检
位置精度可能不如更复杂的两阶段方法

这里的取舍和第 2 章里的优化器选择很像：更快、结构更简单，通常要在某些边界条件上付出代价。

这说明现代视觉模型的发展，往往不是单纯追求精度，而是在：

准确率
延迟
计算成本之间寻找平衡。

YOLO与CNN的关系

YOLO并不是脱离CNN的新体系，而是建立在CNN特征提取能力上的扩展：

CNN负责提取图像特征
检测头负责预测边界框和类别
整个系统端到端训练

从这个角度看：

CNN分类：图里有什么？
    ↓
YOLO检测：图里有什么？它在哪里？

YOLO让CNN从“识别”进一步走向“理解空间位置”。

代码实验

完整的代码示例位于：code/ch03_deep_learning_fast/detection_segmentation_demo.py

运行方式：

bash

python code/ch03_deep_learning_fast/detection_segmentation_demo.py

YOLO vs Segmentation

图3.3：目标检测与图像分割输出形式的对比。左侧强调 YOLO 用边界框回答”目标在哪里”，右侧则展示像素级理解如何进一步细化空间信息。

代码文件： code/ch03_deep_learning_fast/detection_segmentation_demo.py
运行方式： python code/ch03_deep_learning_fast/detection_segmentation_demo.py

本节小结

YOLO展示了CNN如何从分类扩展到检测：

分类回答“有什么”
检测回答“有什么 + 在哪里”
YOLO用单阶段回归实现高速检测
速度优势来自端到端的一次前向传播
代价是小目标和密集目标场景更具挑战

从主线看，YOLO 代表的是“在保持 CNN 表征能力的同时，把任务从识别推进到定位”。

下一节： 3.4 从检测到像素级理解：图像分割

3.3 从分类到检测：YOLO的核心思想 ​

技术背景 ​

核心问题 ​

关键概念 ​

应用场景 ​

思考问题 ​

本节学习目标 ​

目标检测的问题 ​

分类 vs 检测 ​

为什么更难 ​

YOLO的核心思想 ​

传统思路 ​

YOLO思路 ​

YOLO如何工作 ​

1. 图像划分为网格 ​

2. 每个网格输出什么 ​

3. 非极大值抑制（NMS） ​

为什么YOLO快 ​

YOLO的权衡 ​

优势 ​

局限 ​

YOLO与CNN的关系 ​

代码实验 ​

本节小结 ​