在做目标检测相关的项目时，YOLO几乎是绕不开的名字。从2016年YOLOv1发布到现在，这个系列已经迭代了多个版本，但很多初学者直接上手YOLOv5、YOLOv8时，往往只学会了调用接口，对检测原理反而是一团浆糊。我个人的建议是，如果要真正理解YOLO家族，最好还是从YOLOv1开始啃，因为它的思想最纯粹——把目标检测当成一个回归问题，一次前向推理直接把边界框和类别全预测出来。这篇文章就围绕YOLOv1展开，从设计思路、网络结构、损失函数到训练推理的细节，逐个环节拆开讲清楚，顺带把我实际复现和调试时踩过的坑也一并写出来，给正准备入门目标检测的同学做参考。
1. 目标检测到底在解决什么问题
要搞懂YOLOv1，得先退一步看看目标检测这个任务本身。检测任务和分类任务最大的区别在于，分类只需要回答“图里有什么”，而检测还要回答“这些东西在哪个位置”。说得更具体一点，一张图喂给模型之后，我们希望输出的是一组结构化的结果：每个目标都有一个类别标签，还有一个尽量紧贴目标的矩形框，通常用四个坐标值来表示，比如中心点坐标加宽高，或者左上角加右下角坐标。
在YOLOv1出现之前，主流方案是两阶段检测，代表作是R-CNN系列。这类方法的思路是先在前端生成一堆候选区域，再用分类网络逐个判断这些区域里有没有目标、是什么目标。思路很直观，但问题也明显：候选区域可能有上千个，每个都要过一遍网络，速度自然快不起来。我记得最早用R-CNN跑一张图，CPU上要几十秒，GPU上也要好几秒，这在很多真实场景里根本没法用。后来虽然有Fast R-CNN、Faster R-CNN在速度上做了不少优化，但“先提候选框、再分类”这个总体框架没变，推理耗时依然偏高。
YOLOv1把这个问题换了个角度来思考：能不能不要“先找候选框”这一步，直接把图像像素映射到检测结果？作者Redmon等人的答案是，用一个单次前向传播的卷积网络，把整张图作为输入，输出张量里直接编码所有目标的边界框坐标、置信度和类别概率。这个过程整个就是一次回归，所以YOLO的原始论文标题叫You Only Look Once，意思是你看一眼就够了，不需要来回扫两遍甚至更多遍。
这种设计思路换来的是极其夸张的速度提升。当年的GPU上，YOLOv1的实时版本能做到每秒45帧，快速版本甚至能到每秒155帧左右，而当时的Faster R-CNN大概只有每秒5到7帧。代价也很明显，YOLOv1在精度上比Faster R-CNN差了一截，尤其是在小目标和重叠目标的场景下经常翻车。不过它确实开创了一条新路线，后续YOLO系列所有版本本质上都是在V1这个“单阶段、一次前向”的框架上不断打补丁、做优化。
2. YOLOv1的核心设计思路
2.1 把整张图切成网格，每个格子自己管自己
YOLOv1最关键的设计决策，是把输入图像划分成S×S的网格。论文里取的是S=7，也就是输入图像被切成了49个格子。这里的“格子”不是像素级别的滑动窗口，它更像是一种责任划分：每个网格单元负责预测那些“中心点落在这个格子内部”的目标。
我给初学者解释这个机制的时候经常用小区物业来类比。一栋楼有49个单元，每个单元自己负责管理自己门前的那片区域。如果有人的中心点正好站在你的单元门口，那这个目标的责任就归你了。这种按中心点归属的规则很重要，后面损失函数计算、正样本分配都要用到它。
但这里必须注意，一个网格并不是只输出一个物体的信息。YOLOv1设计成每个网格能预测B个边界框，论文里取B=2，同时还要预测这个网格属于各个类别的概率，VOC数据集上类别数C=20。所以最终的输出张量尺寸就是S×S×(B×5+C)，代入S=7、B=2、C=20，结果就是7×7×30。这个30维的向量里，前10维是2个预测框各自的信息，每个框对应5个数值，分别是中心坐标x和y、宽度w、高度h、置信度confidence；后面20维是这个网格对20个类别的条件类别概率。
2.2 边界框的表示与编码方式
YOLOv1对边界框的编码方式很有讲究，也是初学者最容易理解错的地方。它没有直接预测框的绝对像素坐标，而是做了归一化和相对化处理。中心坐标x和y是相对于所在网格左上角的偏移量，并且除以了网格本身的尺寸，所以取值范围在0到1之间。宽度w和高度h则是相对于整张输入图像尺寸的比例，同样归一化到0到1之间。
这样做的好处很明显，数值范围被限制在0到1之间后，模型输出的预测值天然就是有界的，配合sigmoid之类的激活函数，训练起来更稳定。如果你直接让模型去预测绝对的像素值，比如中心点可能在几百到几千像素之间浮动，那损失函数的数值尺度会非常大，而且不同尺寸的输入图片预测值的分布差异也很大，网络很难收敛。
这里有个细节我觉得值得拿出来说：x和y在V1版本里其实没有用sigmoid做额外约束，虽然理论上它应该在0到1之间，但YOLOv1的网络在全连接输出层之后直接就是回归值，没有做数值截断。实际运行中，模型偶尔会预测出略小于0或者略大于1的坐标值，这个在工程上问题不大，后处理时clip一下就行。真正把这个bug修掉是YOLOv2的事情，V3之后对中心坐标做了logistic激活约束，这也是V1设计上比较粗糙的一个点。
2.3 置信度的含义：不是单纯的“有没有目标”
YOLOv1里每个边界框都带一个置信度（confidence），这个值的定义是Pr(Object)×IoU(pred, truth)，可以理解为“这个框内部有目标吗”乘以“预测框贴得准不准”。如果网格里没有目标，置信度的理想值就是0；如果有目标，置信度应该等于预测框和真实框的交并比IoU。
我在和不少初学者交流的时候发现，有人会把这个置信度和类别概率混淆。实际上YOLOv1里两者是分开的：置信度负责量化“框的质量”，类别概率负责回答“框里到底是什么”。推理的时候，最终每个框的得分是类别概率乘以置信度，得到的是一个综合了类别信心和定位精度的分数，这个分数用于后续的阈值筛选和非极大值抑制。
2.4 类别概率是网格级别的，不是框级别的
YOLOv1里还有一处容易忽略但很重要的设计：类别预测实际上是按网格来做的，不是按边界框来做的。每个网格只输出一个20维的类别概率向量，而不是每个框都带一个20维的类别向量。这也就是说，在模型看来，同一个网格内的两个预测框共享同一份类别信息。这种设计在比较空旷的目标分布下问题不大，但如果两个不同类别的目标中心同时落在一个网格内，模型就处理不了了，因为类别只有一份，怎么分都不对。
所以YOLOv1的容量上限其实很受限制：最多只能预测49×2=98个框，而且每个网格最多只能预测出一个有意义的类别。这也注定了它在密集场景和多尺度目标场景下表现不好。但它让模型结构变得非常简单，输出张量一次性全部给出，速度和简洁性拉满。
3. 网络结构与前向推理细节
3.1 主体结构：从GoogLeNet起步
YOLOv1的骨干网络受到了GoogLeNet的启发，整体是24层卷积加2层全连接。这里有个小细节，作者没有直接照搬GoogLeNet的Inception模块，而是用1×1卷积加3×3卷积的组合来模拟类似Inception的感受野增强效果。1×1卷积主要用来做跨通道的信息融合和降维，能显著减少参数量和计算量。
网络前20层是在ImageNet分类任务上预训练过的，输入分辨率是224×224。但检测任务需要更细粒度的空间信息，所以作者在预训练完成之后，把输入分辨率提高到了448×448，并且在后面又加了4层卷积和2层全连接。这种先在分类上预训练、再在检测上微调的策略，在当时几乎是标配，能明显加快收敛速度，同时对最终精度也有正向帮助。
从参数量的角度看，YOLOv1其实并不算“轻量”模型。它在448×448输入下，FP32模型大概有250MB左右的大小，当时的GPU跑起来问题不大，但放到嵌入式设备上就有点吃力了。这和现在动辄只有几兆的轻量化检测模型相比，体重确实超标，但在2016年这个参数规模已属于合理水平。
3.2 输出张量是怎么组织起来的
最后一层全连接输出的是4096维的特征向量，然后被reshape成7×7×30的张量。这个张量可以理解为49个网格，每个网格对应一个30维的向量。30维里的前10维属于两个预测框，每个框5个值（x、y、w、h、confidence），后20维是VOC的类别概率。
我在实际阅读源码的时候，特别喜欢把输出张量打印出来看。比如输入一张猫的图片，某个网格的30维向量可能是0.52、0.31、0.78、0.66、0.92、0.48、0.29、0.81、0.63、0.11、一堆0.001之类的概率值。其中第一个框的confidence明显高，第二个框的confidence很低，这表示模型认为这个网格里有一个目标，而且第一个框预测得比较准，第二个框基本可以不看了。实践中大部分预测框的confidence都会非常低，绝大多数都是负样本，最后有效框就是少数那些分数比较高的。
3.3 两次全连接对空间信息的破坏
从今天的眼光来看，YOLOv1网络结构有个比较大的设计缺陷：它用了两层全连接层来输出最终结果。全连接层会把前面的二维空间特征全部拉平，破坏空间位置关系，导致模型对目标的定位能力受限。这也是YOLOv1在小目标和密集场景下表现差的结构性原因之一。
后来YOLOv2专门针对这个问题做了改造，把全连接层全部去掉，改成了全卷积结构，再引入anchor机制，让空间信息得以保留。所以你在看YOLOv1源码时留意到的那个“4096维全连接”的设计，在后来的版本里被彻底抛弃了。我们学习V1时要知道这个点的缺陷，但也不必过于批判，因为这是当年计算资源和设计思路下的合理选择。
3.4 激活函数和归一化
YOLOv1在卷积层之后使用了Leaky ReLU作为激活函数，斜率为0.1。为什么不用普通的ReLU？因为ReLU在负数区域的梯度是0，一旦神经元输出为负，它将永远无法更新，这就是所谓的“神经元死亡”。Leaky ReLU在负数区域保留了一个很小的梯度，能让信息流动更顺畅。## 4. 损失函数：YOLOv1的灵魂
4.1 简单粗暴的求和平方误差
YOLOv1的损失函数是整个算法的灵魂，理解了这个部分，你基本就理解了大半的YOLO。原文用的是sum-squared error，也就是把所有预测误差的平方加起来。这种选择的好处是简单，反向传播时梯度计算容易；坏处是它把所有误差项一视同仁，不同尺度的误差之间没有天然区分。为此作者在损失函数里手动加权重、加条件，按不同部分分别计算。
完整来说，损失函数由三大部分组成：坐标预测损失、置信度预测损失和类别预测损失。这三部分的权重并不相同，作者人为设定了λcoord=5来加大坐标误差的惩罚，同时用λnoobj=0.5来降低没有目标的网格的置信度惩罚。
4.2 坐标损失：宽高为什么要开根号
坐标损失只针对“负责检测目标”的边界框来算。所谓“负责”，指的是在某个网格的B个预测框中，和真实框的IoU最大的那个框。这个负责框要预测坐标x、y、w、h，其损失计算方式如下：对于中心坐标误差，直接算平方差；对于宽高误差，先对预测值和真实值分别开平方根，再算平方差。
为什么要对宽高开根号？这是一个非常巧妙的细节。如果不做开根号，同样大小的绝对误差放在大目标和小目标上，对最终IoU的影响是完全不同的。举个例子，一个宽度为100像素的大目标，预测成105像素，IoU掉不了多少；但一个宽度为10像素的小目标，预测成15像素，IoU可能就直接崩了。如果直接用宽度差来算损失，模型会觉得“反正误差都是5像素，差不多”，于是不重视小目标的宽高预测。而开根号之后，小目标宽度从10变成15，根号差是3.87−3.16=0.71；大目标宽度从100变成105，根号差是10.25−10=0.25，小目标的误差被放大了，模型就会更努力地去学小目标的位置。这是个非常经典的处理手段，至今在不少检测框架里还能看到类似的思路。
4.3 置信度损失：有目标和无目标分开处理
置信度损失分成两部分。第一部分是“有目标”的框，即负责检测的框，它的置信度目标值是真实框的IoU值，所以损失是预测置信度与该IoU的平方差。第二部分是“无目标”的框，包括非负责的框以及整个网格里都没有目标时的那两个框，它们的置信度目标值是0，所以损失平方差直接用预测置信度来计算。
这里有个比较关键且容易踩坑的点：无目标框的数量远多于有目标框的数量。一张图里49个网格，98个框，真正有目标的可能就两三个，剩下的全是背景。如果对负样本的惩罚和对正样本一样重，模型会倾向于把所有框的置信度都预测成0，反正惩罚也不大。作者用λnoobj=0.5压低负样本的权重，但说实话这个压低幅度在极端不平衡的条件下仍然不够。我在训练YOLOv1的时候，观察到的置信度输出经常偏大，背景框也给出0.3、0.4的置信度，这导致后处理时阈值要调得比较高才能滤干净。
4.4 类别损失与整体函数形态
类别损失只跟网格是否包含目标有关，也就是只有那些“包含目标中心点”的网格才计算类别概率误差。注意整份损失函数中，类别损失是没有加权系数的，权重是1。在实际运行中，坐标损失因为被λcoord=5放大，往往占据主导地位，这本身也是作者有意为之——先把框定位学准，再去学分类。整体损失函数看起来像一个巨大的分段函数，不同情况下取不同的计算分支，代码里会写很多条件判断。
从工程实现上讲，YOLOv1的损失函数计算并不复杂，但绝对不是一个简单的MSE一算就完事。你需要先计算每个真实框对应哪个网格、哪个负责框，然后针对不同情况构建一个mask矩阵，把需要计算损失的项挑出来。如果mask构建错了，损失值会乱跳，模型也不会收敛。我见过不少自己复现YOLOv1的同学，报出来的loss要么不降，要么直接NaN，多半问题就出在mask没构对。
5. 训练细节与推理流程
5.1 数据标注格式与预处理
训练YOLOv1时，数据集标注需要转换成规定的格式。以VOC数据集为例，每张图对应一个XML文件，里面记录了每个目标的类别和边界框坐标（左上角xmin、ymin，右下角xmax、ymax）。在送入模型之前，需要做几件事：把坐标转换成中心点加宽高的形式，除以图像宽高完成归一化，再根据中心点算出它落在哪个网格。
对输入图像，YOLOv1会统一resize到448×448。这里要注意，如果你的原图不是正方形，直接拉伸会改变目标的宽高比例，影响检测精度。我当时实验的时候对比过直接拉伸和先letterbox再填充的效果，发现letterbox方式对宽高比极端的图片更友好。但YOLOv1论文原文其实没有明确用letterbox，很多复现代码直接resize，效果也能接受，只是你需要知道这里存在一个质量取舍。
打标环节如果你用的是LabelImg，导出时可以设置成YOLO格式，这样拿到的就是归一化后的类别id、中心点x、中心点y、宽度w、高度h，跟YOLOv1训练所需的格式基本一致。需要注意，LabelImg导出YOLO格式时，坐标是按图片原始尺寸归一化的，你仍然要在训练时把它转换到7×7的网格体系下，也就是x乘以7取整得到网格索引，偏移量x×7−floor(x×7)才是预测目标值。
5.2 从零训练还是预训练微调
前面提到，YOLOv1的前20层先在ImageNet上预训练。这在当年的算力条件下非常重要，因为检测数据集规模远小于分类数据集，如果从零开始训练，模型很容易过拟合，而且收敛很慢。即使到今天，你如果想在自定义数据集上重新训练一个YOLOv1模型，我仍然建议沿用这个策略：先找一个大一点的分类数据集做预训练，或者直接加载作者发布的权重，再在你的检测数据上微调。我的经验是，在数据量只有几千张的情况下，从零训练YOLOv1的效果会惨不忍睹，mAP可能只有从预训练权重微调的一半不到。
训练时的超参数设置，论文里给出的参考是：epoch数约135，batch size为64，初始学习率0.001，后续在75轮和105轮时降低学习率，动量0.9，权重衰减0.0005。数据集增强方面用了随机缩放、平移、调整曝光度和饱和度等手段。这些参数在GTX 1080级别的显卡上大概要训练几天，放到现在用更好的GPU会快很多。
5.3 推理阶段的后处理
推理阶段，模型前向传播得到7×7×30的输出张量后，还不能直接画框。原始输出的98个框里，真正有效的非常少，而且存在大量互相重叠的重复检测，必须做后处理才能得到最终结果。具体流程如下。
先将每个边界框的置信度与对应网格的类别概率相乘，得到每个框在各类别上的最终得分。公式上是score_{ij} = class_prob_i × confidence_j，其中i是类别索引，j是边界框索引。得到98×20的得分矩阵后，对每个类别独立处理：先筛掉低于设定阈值的检测框，再在这个类别内部做非极大值抑制（NMS）。
NMS的操作逻辑是，把所有得分从高到低排序，选最高分的框作为保留框，然后删除所有与它IoU大于指定阈值（通常设0.5）的其他框，重复直到没有候选框为止。这一步的作用是消除同一目标上的多个重复框。如果不做NMS，最终画出来的检测效果会是一坨框叠在一起，完全没法看。
NMS的IoU阈值怎么定很有讲究。设得太低，比如0.3，容易把离得近的不同目标误删掉一个；设得太高，比如0.7，同一目标上可能存在多个重叠框无法消除。我在项目中一般从0.45到0.5这个区间开始调。还有一个容易被忽略的坑：对不同类别分别做NMS，还是跨类别一起做？YOLOv1常用的做法是按类别分别做，因为理论上同一个目标不会同时属于两个类别，但实际中如果两个不同类别的目标高度重叠，跨类别NMS会把其中一个误删。所以更稳妥的做法是分类别做NMS。
5.4 判断检测好坏的指标：mAP和IoU
训练和评估检测模型，离不开IoU、Precision、Recall、mAP这几个指标。IoU就是预测框和真实框的交集面积除以并集面积，用来衡量两个框的贴合程度。一般约定IoU大于0.5算检测成功，但这个阈值是可以调的，比如COCO数据集上会统计多个IoU阈值下的平均精度。
mAP的计算大致是，按类别分别算出不同置信度阈值下的Precision和Recall曲线，再求曲线下面积得到AP，然后对所有类别的AP取平均。写YOLOv1的论文时作者用的就是VOC 2007的mAP指标。在VOC 2007测试集上，YOLOv1的mAP约63.4%，Faster R-CNN大约是73.2%，同期另一个单阶段方法SSD300约72.1%。可以看到YOLOv1在精度上确实落后不少，但速度优势非常明显。
6. 复现YOLOv1时踩过的坑
6.1 正样本分配时的IoU计算陷阱
YOLOv1的正样本选择机制是，对每个真实框，找到它中心点落入的网格，在这个网格的两个预测框中挑一个与真实框IoU最大的框作为负责框。问题在于，训练初期网络权重是随机或预训练的，预测框位置乱七八糟，两个框跟真实框的IoU可能都很低，甚至都是0。如果IoU为0，计算置信度目标值时就是0，负责框的置信度目标为0，模型就学不到“这里有目标”的信号。
解决办法是，在训练一段时间后动态计算IoU并更新负责框，不能一开始就固定。有个我常用的技巧是在构建训练批次时，将“最佳IoU匹配”的计算放在batch内部实时进行，而不是预处理时一次性算好。因为预处理时网络还没训练，预测框完全无意义。这个点看似小，但直接决定了模型能不能正常收敛。
6.2 Loss不下降或者NaN的排查思路
如果训练了几个epoch，loss完全没有下降趋势，先检查三样东西：输入图像的归一化是否正确、标注坐标是否越界、正样本mask是否全为0。我遇到最多的就是标注框的坐标没有归一化好，导致计算损失时目标值动辄几百上千，梯度爆炸，loss直接NaN。
再有一个常见问题就是学习率设置不合理。YOLOv1用的优化器是带动量的SGD，学习率0.001起步，如果你换成了Adam而且学习率不调整，loss很可能会上下剧烈波动。此外，batch size太小时，置信度分支的梯度估计方差会比较大，也容易训练不稳。我当时的经验是batch size至少32起步，最好64或更高。
6.3 小目标和密集目标的灾难现场
如果你拿YOLOv1去检测密集的行人或者远处的车辆，效果堪称灾难。原因是7×7的网格太粗糙，一张448×448的图里，每个网格对应的原图区域是64×64像素，如果一个目标占的像素区域远小于这个尺寸，它的特征很可能在卷积过程中被稀释或混合到背景里。而且同一网格只能预测一个类别、最多两个框，这从根本上限制了它对密集场景的处理能力。
这里有一个实际工程里的应对办法：在训练时将目标裁剪放大，或者对图像做多尺度训练，让目标在图上占据更大的网格区域。另一个办法是干脆换用更高分辨率的输入，比如训练时用608甚至更高，但YOLOv1全连接层的存在使得输入尺寸必须固定，所以改输入尺寸就得重新训练整个网络。这也是后来全卷积多尺度版本能通吃不同分辨率的原因。
6.4 全连接层带来的固定尺寸限制
YOLOv1因为用了全连接层，输入尺寸被死死钉在448×448。这一点在真实部署中很麻烦，因为摄像头来的流分辨率未必是正方形，或者你希望用小分辨率加快速度、用大分辨率提升小目标召回，但V1做不到弹性调整。你做推理前必须把任意尺寸的输入resize成448×448，这会丢失很多原始信息。
如果只是学习原理，这个问题可以忽略。如果是为了实际项目，我的建议是用YOLOv3或之后的版本作为生产模型，YOLOv1更适合作为理解单阶段检测器工作流程的教学模型。不过理解V1的缺陷，恰恰能帮你理解后续版本为什么要引入anchor、为什么要做多尺度预测、为什么要用特征金字塔——所有优化都像是对症下药。
7. YOLOv1对后续版本的启示
7.1 从全局回归到先验锚框
YOLOv1那98个框是完全自由预测的，分布不可控，模型要同时学“哪里有目标”“目标在哪”“目标多大”三个问题，压力很大。于是YOLOv2引入了anchor先验，让模型在预设好的先验框基础上做微调，训练难度大幅下降。这个思路如今已经成了检测模型的标准配置，即使是当时并行的SSD也同样使用了anchor机制。
7.2 多尺度特征的引入
YOLOv1只在7×7的单一尺度特征图上做预测，分辨率太低，小目标很难有出头之日。到了YOLOv3，作者引入了类似FPN的特征金字塔结构，在三个不同尺度的特征图上分别做预测，分别对应大目标、中目标和小目标。这是YOLO系列在小目标检测能力上的一次大飞跃。如果你以后跑YOLOv8做项目，感受最大的提升之一也来自多尺度预测。
7.3 损失函数的精细化
YOLOv1的求和平方误差在今天看来相当粗糙，后来YOLOv2使用了带obj/nonobj加权的交叉熵损失，YOLOv3用了BCE损失加置信度与类别解耦，再后来YOLOv4开始引入CIoU损失等更先进的框回归损失函数，每一步都是在弥补V1损失函数设计上的不足。回归损失从简单的L2，进化到IoU Loss、GIoU、DIoU、CIoU甚至EIoU，核心诉求都是“让框回归得更精准”。
可以说，YOLOv1是一颗种子，后面所有YOLO版本都在它的框架下不断精修。学透V1，再去看V2到V8的变化，基本就是看作者如何一步步修补V1的缺陷，整个系列的演进逻辑会非常清晰。
8. 从YOLOv1出发的项目实践建议
如果你现在准备做一个目标检测相关的毕业设计或者小项目，我建议不要直接生啃YOLOv8的训练脚本。先花两三周时间，手工复现一个简化版的YOLOv1，跑通训练和推理，你会发现后面用任何检测框架都事半功倍。我自己当年就是这么干的，复现YOLOv1之后，对anchor、NMS、mAP这些概念的理解明显比直接调库的同学扎实很多。
具体复现时，我建议从以下几个方面入手：首先用PyTorch搭建网络结构，前20层可以先不加载ImageNet预训练权重，用随机初始化在少量数据上跑通前向和反向；然后构造一批简单的合成数据，比如纯色背景上放几个不同颜色和形状的矩形，验证损失函数能否正常下降；接着用VOC中的两三个类别做一个小规模训练，看看mAP能否有基本保障；最后再尝试加载官方权重进行完整训练。这样分步走，排查问题的范围会小很多。
关于环境配置，YOLOv1本身非常简单，依赖就是PyTorch或TensorFlow加OpenCV、NumPy，不需要什么特殊的库。如果你用的是AMD显卡，也可以直接用CPU跑小数据集做验证，YOLOv1的前向计算量不算大，CPU上跑几轮训练还是可以接受的。真正想训练到收敛级别的模型，再考虑合适的GPU环境。
数据集准备方面，如果你需要标注自己的数据，LabelImg和CVAT都支持导出YOLO格式。标注时请一定记得，检测框尽量贴合目标边缘，框和真实目标之间不要留太多背景，否则模型会学歪。还有一个容易被忽略的点，标注框的最小尺寸不要太极端，如果一堆标注框只有几个像素，模型很难学，这些样本最好直接删掉，不要硬留着拖后腿。
最后再说一个小技巧，训练时定期保存checkpoint，并且每几个epoch就用验证集跑一次推理可视化，看看模型到底学出了什么。我见过不少同学在那里干等loss降到多少，结果loss降了但框乱飞，这种时候可视化比看数字有用得多。YOLOv1虽然老了，但用来练手和建立目标检测的直觉，依然是个非常靠谱的选择。
