目标检测这个方向，我前前后后折腾了很长时间，其中YOLO系列和Darknet占了大头。最早是接了一个实时检测需求，需要在一段视频流里快速标出目标位置，比来比去，最后选定了YOLOv3加Darknet的组合。当时觉得这套方案速度实在太快，配上开源权重几步就能跑出结果，后来自己标注数据、训练、调参，才发现它背后值得研究的东西比想象中多。
这篇内容主要就是围绕YOLO v1v2v3v4这四代算法，以及配套的Darknet框架，把它们的思路演进、实际用法、踩坑经验，和我认为值得看的学习资源串一遍。适合两类人：一类是刚接触目标检测，想系统理解YOLO为什么能这么快、怎么一步步变强的同学；另一类是把模型用在真实项目里，想解决训练和部署问题的人。我会尽量把每个关键选择背后的原因讲清楚，而不是只给一批配置参数让你去抄。
1. 为什么我建议从YOLO系列入手目标检测
1.1 单阶段检测方案的核心优势
目标检测在YOLO出现之前，主流做法是两阶段：先由区域提议网络生成一批候选框，再对每个候选框做分类和位置精修。这种做法精度不错，但速度一直被实时场景诟病。YOLO的出发点很直接，把检测当成一个回归问题来做：输入一张图，输出就是边界框坐标和类别概率，不再单独做候选区域提取。这个思路带来的最大好处是快，在当时的硬件条件下，YOLOv1就已经能跑到几十帧每秒，这是两阶段方法很难想象的。
Darknet是配合YOLO的框架，底层用C语言实现，整个项目编译完就一个可执行文件，依赖也少。它不像很多大框架那样有复杂的组件管理和自动微分图结构，反而更适合用来理解一个检测模型的完整生命周期：从数据加载、前向计算、反向传播，到权重的保存和推理，代码路径都很直白。我第一次读完Darknet源码里数据读取和网络构建那部分，对这种“小而完整”的工程实现很有好感。对一个想搞懂原理的开发者来说，这套组合比在一个拿现成模型就能跑的大框架里黑盒调参能学到更多。
1.2 四条版本演进串起来刚好是一套方法论
YOLO从v1到v4的演进，本身就是一份很好的学习材料。v1把检测变成一个统一回归问题，证明了单阶段路线的可行性，但精度落后不少；v2针对精度问题做了一堆修补，锚框、批量归一化、多尺度训练，都是后来目标检测里高频使用的组件；v3引入更深的骨干网络和多尺度融合预测，把小目标检测能力提升了一个台阶；v4则更彻底，把训练技巧、数据增强、注意力机制、路径聚合全部揉在一起，在不大改骨干网络的前提下又刷高了一截精度。
这个演进过程其实反映了做检测模型优化的两条主线：一条是让网络更会用特征，比如加深、加宽、加多尺度；另一条是让训练手段更狠，比如更合理的锚框、更强的数据增强、更细腻的损失函数。我建议初学者不要一上来就啃v4那一堆技巧，容易看花眼。老老实实把v1到v4按顺序看一遍，你会发现后面所有操作都是在补前面的洞，这个因果关系理顺了，后面自己调参也有方向。
下表是我自己整理的四代版本核心差异，方便对照记忆：
| 版本 | 骨干网络 | 核心创新 | 弱点 | 常见适用场景 |
|---|---|---|---|---|
| YOLOv1 | 类GoogLeNet定制网络 | 端到端回归检测 | 小目标、密集目标差 | 早期实时演示、教学 |
| YOLOv2 | Darknet-19 | 锚框、批量归一化、passthrough | 多尺度能力有限 | 中等精度实时场景 |
| YOLOv3 | Darknet-53 | 多尺度融合、逻辑回归分类 | 速度比v2略慢 | 通用实时检测主力 |
| YOLOv4 | CSPDarknet-53 | CSP、SPP、PANet、大量训练技巧 | 结构复杂度上升 | 追求精度的实际项目 |
2. YOLO v1到v4核心细节拆解：每一代解决了什么问题
2.1 v1：用回归思维敲开实时检测的大门
YOLOv1的思想看起来简单，却非常颠覆。它把输入图片划分成S×S的网格，每个网格负责预测中心点落在该格子里的目标。每个格子预测B个边界框，外加这个框的置信度和这个格子属于各个类别的概率。以VOC数据集为例，输出张量就是S×S×(B×5+C)，当时常用7×7网格、每个网格2个框、20个类别，输出就是一个7×7×30的张量。
这里面有几个关键选择值得琢磨。第一，为什么输出张量里坐标是全图的相对值，而不是像素绝对值？因为回归绝对值对图像分辨率很敏感，训练时很难收敛，归一化之后不同尺寸的输入就有了统一的优化空间。第二，为什么把类别概率绑在格子而不是绑在边界框上？这是v1最明显的简化，一个格子即使预测多个框，最后也只能共享同一组类别概率，导致靠得近的不同类目标容易被漏检。我实际测试v1时感受最深的就是它对于人群、密集停放的车辆这类场景表现很差，这不是配置问题，而是网络结构的先天限制。
不过v1的历史意义在于它打开了另一条路。两阶段方法先把问题拆成“找出可能的位置”和“判断是什么”，v1则一次性把位置和类别全部输出，省掉了大量重复计算。即使它精度还打不过当时的两阶段方案，但速度优势已经足够让工业界开始重新评估实时检测的可能性。现在回过头看，v1的很多设计虽然粗糙，但每个粗糙点恰好都成了后续版本优化的靶子，学习价值很高。
2.2 v2：锚框和批量归一化带来的第一次精度修正
v2更像一个补丁版本，但每一个补丁都打在要害上。先是最基础的批量归一化，卷积层输出之后接一个BN层，把每批数据的分布拉回均值为0、方差为1的状态。效果是收敛快了，对初始学习率也没那么敏感，甚至可以直接去掉原来的dropout层。我自己训练时有个明显感受：加上BN后，相同迭代次数下的loss下降曲线平滑很多，不用频繁因为梯度爆炸去调参数。
接下来是锚框。v1直接回归边界框的绝对位置，也就是网络的最后直接输出坐标值。v2改成预定义一组锚框，网络只需要回归相对锚框的偏移和缩放比例。为了让锚框尺寸更贴合数据集，作者用k-means聚类在训练集标签上统计合适的框大小，距离度量用的不是欧氏距离而是IOU相关指标，这样聚类结果不会偏向大尺寸框。这一步让网络从“猜测绝对坐标”变成“先知道目标大概多大，再微调位置”，训练难度明显下降。
v2还把输入固定为416×416，这是因为网络经过32倍下采样后得到13×13特征图，奇数尺寸能让目标中心点刚好落在唯一一个中心网格里。多尺度训练也很有想法：每迭代10个batch，就随机从320×320到608×608之间选一个输入尺寸继续训练。这样同一个模型就能适应不同分辨率的输入，也为后面的YOLOv3打下了基础。我在实际项目里用v2的体验是，速度依然极快，但对小目标的检测能力仍然不够，很多稍远一些的行人目标直接在特征图上被下采样丢了。
2.3 v3：多尺度特征融合狙击小目标
v3是很多人真正开始把YOLO用在生产环境的一代。骨干网络换成了Darknet-53，用了大量残差连接，网络可以堆得更深而不至于梯度消失。更重要的是，它不再只从最后一个特征层做预测，而是分别从13×13、26×26、52×52三个尺度输出预测结果。13×13层的感受野大，适合检测大目标；52×52层的空间分辨率高、包含更多细节，适合检测小目标；同时用上采样把深层特征和浅层特征做融合，让每一层都能同时借助深层语义和浅层细节。
v3的另一个改动是把类别预测从softmax换成逻辑回归。原来一个目标只能归属于一个类别，但现实里一个目标完全可以同时有多个标签，比如“人”和“骑行者”。v3对每个类别单独做sigmoid二分类，置信度阈值由你自己定，这在实际项目中相当实用。我在监控场景里试过v3，最明显的变化是较远距离的小目标开始能稳定框出来了，代价是参数量和计算量比v2大不少，推理帧率会下降一些。
如果你手上有同一个视频源，强烈建议把v2和v3的检测结果并排跑一遍，你会直观看到多尺度输出对检测效果的影响。v3对框的回归也更细，每个尺度配3个锚框，总共有9个锚框，分别适配不同大小的目标。它输出的张量维度是N×N×[3×(4+1+80)]，其中4个坐标、1个目标置信度、80个类别概率。这段结构理解透了，后面看大多数YOLO变体都会觉得很熟。
2.4 v4：结构与训练技巧的全面聚合
v4在骨干网络上的改动是CSP结构，把特征图在通道维度上分成两部分，一部分走密集的卷积变换，另一部分直接绕过，最后再拼起来。好处是降低了重复梯度信息，减少了计算量，却保留了丰富的特征表达。颈部网络采用SPP+PANet：SPP用几个不同核尺寸的最大池化并行提取上下文信息，类似把不同大小的感受野“打包”；PANet则在FPN自顶向下融合的基础上，又加了一条自底向上的路径，让浅层位置信息也能反哺深层语义。这两块组合起来，小目标和遮挡目标的特征表达比v3更充分。
v4真正精彩的地方在训练策略。Mosaic数据增强随机把4张训练图拼接成一张，相当于BN一次统计了4张图的数据分布，而且丰富了目标尺度和背景上下文。标签平滑防止模型对类别置信度过于自信，减少过拟合。损失函数换成了CIoU，收敛速度和回归精度都比原来的IOU损失更好。还有余弦退火学习率、注意力模块、特征图DropBlock这些技巧，属于能榨出几个点精度的“免费午餐”。
我实际用v4在小规模自定义数据集上训过，和v3做同样轮数的对比，v4最终mAP更高，而且训练前期的loss曲线更稳定。速度确实比v3慢一些，但对于多数实时项目仍然够用。如果你手头有标注好的数据，v4通常是个稳妥的起点，不必非要自己从零设计网络。它证明了在骨干网络不变的情况下，把数据增强、特征融合、损失函数、训练调度这些细节做到位，也能带来可观的精度提升。
3. Darknet实操指南：从数据集到一套训练好的权重
3.1 编译配置：GPU、cuDNN这些选项到底该开哪个
Darknet的编译思路非常简单，核心就是一个Makefile。你不需要像一些大框架那样配置复杂的虚拟环境和依赖链，只需要把Makefile里的开关改对，然后make。我先把一份常用的配置列出来：
GPU=1 CUDNN=1 CUDNN_HALF=1 OPENCV=1 LIBSO=1 DEBUG=0GPU=1表示启用CUDA，CUDNN=1启用cuDNN加速，这两个在训练时基本必开。CUDNN_HALF=1使用半精度计算，如果你用较新的显卡，开启后显存占用和速度都会有明显优化，但要注意部分老架构卡可能出现数值问题，遇到loss抖动可以关掉再试。OPENCV=1让Darknet能直接读写常见图片格式，还会自动加载摄像头，做推理演示时比较方便。LIBSO=1会生成动态库，后面如果要从自己写的程序里调用模型，这个开关很有用。
改完Makefile之后，还要保证CUDA路径能被找到。常用的做法是：
export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH make clean make编译完成后运行./darknet version如果能正常打印版本和配置信息，说明装好了。新手容易在Makefile里把架构参数配置得不对，导致编译出来但运行时提示设备不支持的指令。稳妥的做法是参考官方README里的对应说明，或者直接用默认参数，先用CPU模式跑通一次完整流程，再切到GPU模式。
3.2 数据集制作：标签格式与文件组织结构
Darknet训练的自定义数据集，标签不是单独的XML或JSON，而是和图片同名的txt文件。每张图对应一个txt，每一行描述一个目标，格式固定为：类别序号、归一化中心点x、归一化中心点y、归一化宽度w、归一化高度h。
0 0.3456 0.7123 0.1234 0.2345 1 0.6211 0.4822 0.2221 0.1112这里所有坐标都是除以图片宽度或高度之后的相对值，范围在0到1之间。为什么用归一化而不是像素坐标？因为网络输入尺寸是固定或随机变化的，归一化之后，无论图片缩放成多大，标签都不受影响。这个格式是我见过最容易出的问题之一，好多人训练了很久loss不降，最后发现是某个标签的坐标算错了，或者写成了绝对值。
组织文件时，常见结构是images目录放图片，labels目录放同名txt，然后把训练图片路径整理到一个train.txt，验证图片整理到valid.txt。接下来写一个data文件，内容大致是：
classes=2 train=data/train.txt valid=data/valid.txt names=data/obj.names backup=backup/ eval=vocobj.names里每一行一个类名，顺序要和标签txt里的序号一一对应。我第一次做的时候没注意，类别顺序写反了，模型训练完把“人”全部检测成“车”，排查了很久才发现是names文件顺序的问题。所以数据准备这一步，建议自己写个小脚本校验一遍：随机抽几张图片，把标签坐标画回原图，确认框的位置和类别都对得上再开始训练。
3.3 训练参数配置：anchor、filters和steps的一次性说清
模型配置文件(cfg)里的参数非常多，但真正每次都要根据数据调整的就几个。第一个是最后卷积层的filters数量，公式是(classes + 5) * 3，如果检测2类，那就是(2+5)×3=21。这个不理解原理很容易漏改，默认配置文件是给COCO的80类用的，不改成自己的类别数，训练时最后一层输出维度都对不上。
第二个关键参数是锚框。不同数据集的目标尺寸可能差别很大，直接在别人的配置基础上用现成锚框，小目标数据集上效果会大打折扣。Darknet提供了k-means聚类脚本，直接对训练标签做聚类，得到属于你自己数据的9组锚框尺寸。聚类法则和YOLOv2一样，距离度量是IOU相关，不是欧氏距离。我在一个检测小零件的数据集上，把默认锚框换成聚类结果后，同样的训练轮数mAP涨了约两三个点，这个收益几乎是白捡的。
第三个是训练轮数和学习率调度。社区仓库的README里给出的经验是max_batches = classes * 2000，且不能小于6000。steps通常设为max_batches的80%和90%，学习率在这两个节点缩小到原来的十分之一。发言这个规律来自大量训练实践：前80%轮数让模型充分收敛，后面20%用小学习率微调，能稳定住loss曲线的尾巴。我自己验证过，steps设小了会导致模型收敛不彻底，设大了又容易在后期震荡。
训练过程本身也很简单，如果打算从常用预训练权重迁移学习，命令大概是：
./darknet detector train data/obj.data cfg/yolov4-obj.cfg yolov4.conv.137 -map -dont_show最后一次的卷积权重是经过挑选的、只包含骨干网络的预训练卷积参数，用它们初始化网络，比完全随机初始化好收敛得多。那个-map参数会让训练过程中定期跑一次验证，把mAP打印出来，非常推荐开启。
3.4 训练验证与推理：看日志、算mAP、调阈值
训练时日志会显示当前迭代数、整体loss、平均IOU等。新手最容易慌的是看到一个几千的loss开始怀疑训练是不是失败了，其实正常情况刚开始loss就是比较大的，关键看下降趋势是否稳定。
训练完成后，验证mAP的命令比较直接：
./darknet detector valid data/obj.data cfg/yolov4-obj.cfg backup/yolov4-obj_last.weights它会遍历验证集，输出各类别的AP和整体mAP。mAP@0.5是目标检测里最常用的指标，含义是在IOU阈值0.5下的平均精度。这个数值足够你做版本对比，不要只盯着训练loss看，同一个loss值对应的最终精度可能完全不同。我通常的做法是每50个epoch保存一次权重，最后统一跑一遍map，选最高的权重来用，而不是默认用last权重。
推理测试时可以调整阈值来控制检测结果的严格程度：
./darknet detector test data/obj.data cfg/yolov4-obj.cfg backup/best.weights test.jpg -thresh 0.5-thresh 0.5表示置信度大于0.5才输出目标。值调低会输出更多结果，也会带来更多误检；调高则减少误检，但可能漏掉遮挡或形变明显的目标。这个值没有固定标准，完全取决于你的业务容忍度。如果是安防场景，误检会频繁触发告警，我一般会把它调到0.6以上；如果追求召回率，0.25也经常出现在我的测试里。
4. 典型问题与排查实录：训练不收敛、显存溢出、误检漏检
4.1 损失曲线乱跳不下降，先检查这三个地方
训练好几天loss还是居高不下，或者中间突然冒出一个NaN，这种情况我见过很多次。第一个要检查的就是标签格式。把训练集里每一张图片对应的txt打开看，坐标是否都在0到1之间，类别序号是否从0开始，文件是否真的和图片同名且一一对应。只要有一张图没有对应标签，数据处理时行为就不确定，轻则loss不降，重则直接NaN。我自己批量合并数据集的时候，确实出现过某张图被改名后标签对不上，躲在某个角落让整个训练崩掉的情况，最后用校验脚本全量检查才揪出来。
第二个要检查的是锚框。如果你换了一个目标尺寸分布完全不同的数据集，却还在用配置文件里的默认锚框，模型前期要花大量时间去学习“目标大概多大”，训练信号容易被错误的先验带偏。我的标准流程是：数据准备好了先跑聚类脚本，把输出的锚框填回cfg文件，再开始训练。
第三个检查点是学习率。Darknet配置文件里默认的learning_rate对多数数据集是能用的，但如果你用的是特别小的数据集，或者开启了一些激进的数据增强，学习率过高会让loss在低点附近反复横跳。常见做法是先调低到原来的五分之一跑20个epoch观察坡度，再逐步加回去。还有一个小技巧是观察日志里的avg IOUs，如果它长期低于0.2，很可能锚框或数据格式有问题，而不是学习率的问题。
4.2 显存不够不是换显卡的借口：batch与subdivision怎么搭
训练时经常碰到CUDA out of memory，不一定是显卡不行，多半是batch和subdivisions的关系没搞懂。配置文件里有几个参数：batch表示每次迭代使用的图片总数，subdivisions表示把这个batch分成几次喂给显卡。实际单次送入GPU的图片数量是batch / subdivisions。
举个例子，如果batch=64，subdivisions=8，那显卡单次实际只处理8张图片，反向传播要在64张图片全部计算完成后才做。所以显存不够的时候，第一反应应该是把batch调小，或者把subdivisions调大，而不是直接把batch一条命令压到4，那样会把梯度的统计性质整个破坏掉。常规操作是保持batch=64不变，把subdivisions从1调到4或8，这样显存占用直接就降下来了。
还有个小技巧是开启CUDNN_HALF=1，半精度计算能把显存占用几乎减半，在部分新卡上速度反而更快。如果训练时开着各类数据增强，也可适当降低输入尺寸，比如从608×608降到512×512，显存会明显释放，对小目标的影响可以通过多一些训练轮数来弥补。真到所有办法都试过还是不够，才考虑换更大显存的设备，这条路径我一直放到最后。
4.3 误检多、漏检多：从置信度阈值和数据分布排查
推理阶段出现大量误检，最直接的调节手段是提高置信度阈值。但如果你把阈值调到0.75以上还有一堆误检，那就说明模型本身没学好。常见原因是训练数据里目标形态太单一，模型泛化能力差，到了真实环境里但凡光照、角度有点变化，就会把相似纹理的区域判成目标。我在处理一个包含大量室内场景的项目时，因为训练样本里全是白天的图，到了傍晚测试时误检率明显上升，后来往训练集里补了不同时段的图，问题立刻缓解。
漏检则通常和锚框、输入分辨率相关。如果待检测目标普遍很小，输入分辨率又整体下调，小目标的特征在多次下采样后基本丢光了。这时候优先考虑提高输入尺寸，或者单独统计一下数据集里小目标占了多少。如果小目标确实多，可以考虑调整anchor里小尺寸锚框的数量和比例，或者在cfg里增加一个更小的锚框尺度。这些改动每次只动一个变量，对比起来才靠谱，我见过有人同时改了学习率、锚框、输入尺寸，最后mAP涨了，却完全说不清是哪一步起的作用。
多类别的时候，类间误判也很常见，比如“摩托车”和“自行车”，外形接近、标注标准又模糊，模型很容易混淆。检查names文件顺序、检查标注边界是否统一、统计每个类别的样本数量是否有明显不平衡，方向基本就在这三条里。类别不平衡最朴素的办法就是给样本少的类别多采集一些数据，或者使用类别权重，我一般在数据补充无效时才去改loss权重。
4.4 部署侧的典型坑：编译报错、推理速度慢、模型使用方式
编译报错里最常见的一类是CUDA版本和cuDNN版本不匹配，报错信息千奇百怪，包括undefined reference和各种库文件找不到。解决办法不是去网上复制各种奇怪的链接参数，而是先把环境变量全部指向同一个CUDA版本，然后用make clean彻底重新编译。另外要注意的是，不能同时存在多个版本的CUDA，路径一乱，编译时可能链接到旧库，编译过了但运行时完全不能用。
推理速度慢，先确认自己是不是在CPU上跑的。Darknet的CPU推理和GPU推理速度差距能到几十倍以上，如果在服务器上跑，还要检查编译时GPU是否真的被启用，./darknet version的输出里会说明。然后是模型输入尺寸，cfg里的width和height直接决定计算量，把它从608降到416，帧率会立即提上来。如果生产环境对延迟要求很高，可以再考虑半精度推理和NMS优化，这些属于后续调优，基础流程跑通之后再来研究也不迟。
模型的使用方式上，Darknet原生权重格式虽然简单，但其它平台不直接支持。如果要在常用推理框架里部署，需要把Darknet的weights转成对应格式。转换时注意权重文件里其实只有权重数值，不包含网络结构，必须先加载cfg文件才能知道每层参数怎么排列。这类转换脚本社区里有现成的，最好先用一张图验证转换前后的输出高度一致再上线，省得部署完才发现结果对不上。
5. 学习资源盘点与循序渐进的学习路线
5.1 必读论文、官方仓库与社区维护分支
学习YOLO系列，论文肯定绕不开。五篇核心文献分别是YOLOv1到v4的原始论文。读的时候建议带着问题去读：这一版相比上一版改了什么、作者解决的核心痛点是什么、实验里哪个对比最能证明改动有效。不要求全部数学推导都能复现，把关键公式和结构图看懂就够了。配合论文再看官方仓库的README，里面有不少训练tips和常见问题解释，很多人只下载了代码却没认真读过这部分说明。
官方维护的Darknet仓库是学习的第一手资料，但它的更新节奏比较慢，很多新特性需要到社区维护的分支去找。社区分支一般支持更多新的训练技巧、多GPU训练和更多数据集格式，文档也更全。我自己的经验是：学习原理以官方仓库为准，工程实践可以以社区分支为主线，两者对照着用。不要只盯着GitHub页面看代码，更推荐把仓库clone下来本地跟读，遇到不理解的地方直接搜索符号定义，比在网页上翻代码效率高得多。
社区分支的README里通常有很长的FAQ和训练注意事项，值得完整过一遍。比如类别数变化时filters怎么改、max_batches怎么定、steps怎么设，这些问题的答案都以表格或问答的形式写得很具体。我训练项目时遇到的大部分参数问题，在文档里都能找到直接答案，省下了大量在论坛里翻翻规则的时间。
5.2 更贴近实战的博客、视频与注释源码
论文和源码是权威的，但语言和写法对新手不太友好。中文社区里有很多博客把YOLO各版本的网络结构画得很清楚，矩阵维度的变化、每层feature map的形状，一步一步展开。这类资源适合在读完论文原文后做第二次补充，把文字描述转化成图形记忆。搜索时用版本号和“网络结构详解”这类关键词，能找到不少高质量内容。
视频资源方面，讲解YOLO原理的课程视频和带实操的Darknet部署视频都有很多，我建议优先挑那种“带着读代码”的视频而不是纯概念科普。纯概念科普能让你听懂“多尺度预测”这个词，但不一定能让你看懂cfg文件里每个层该怎么配。带读代码的视频虽然节奏慢，但跟着走一遍之后，你会有能力自己阅读Darknet其他模块。B站上有几个长视频做得不错，基本上照着敲一遍命令，就能跑出自己的模型。
带注释版本的源码也值得找一份。Darknet源码本身注释不算多，有些关键函数的作用模棱两可，带注释的复刻版本能在你卡住的时候补一刀。不过使用这类版本时要注意：注释可能是基于某个特定版本的，和你拉的仓库分支如果差异很大，部分解释会过时。遇到和代码行为对不上的注释，还是要以当前代码为准。
5.3 给新手的四阶段路线图
如果把YOLO和Darknet学习拆成可执行的四步，我建议按这个顺序来。第一阶段是复现，目标只有一条：在本机用官方权重跑通一张图片的检测。这个阶段不需要理解每个参数，它的意义是让你先拥有一个能用的环境，后续所有实验都建立在上面。第二阶段是读懂网络结构，拿着网络结构图，打开cfg文件，把每一层的输入输出维度算一遍，再对照论文里的解释，搞清楚特征图从输入到输出的变化过程。
第三阶段是训练一个自定义小数据集。类别可以先只做两类，图片几百张就够，完整走一遍数据整理、锚框聚类、训练、验证的流程。你会发现自己在第二阶段建好的理论框架，在这个阶段开始和实际问题发生碰撞，比如数据质量不足、锚框不合理、显存不够，每一个坑都是真实的学习点。第四阶段是改进和迁移，试着改输入尺寸、替换不同数据增强、调NMS参数，同一个模型在不同设置下的表现对比，会让你真正理解哪些环节对最终结果影响最大。
完成这四步之后，再去看YOLOv4之后的各类变体、各类部署框架的模型转换，都不会再有雾里看花的感觉。因为你已经亲手走完了一个检测模型从数据到部署的全部链路，剩下的都是在这个框架之上做细节优化。
最后说一点个人体会：YOLO系列和Darknet这套组合，最值得学的其实不是某个网络结构或某个训练技巧，而是“如何把一个想法用工程手段一步步落地并持续优化”的完整过程。它代码不算精致，数据结构也偏朴素，但正因为不绕弯子，你能清楚看到每个部件是如何协同工作的。如果只是想拿一个现成模型交差，网上确实有大把现成权重；但如果你想真正理解目标检测里每一次精度提升从哪来，YOLO这条线值得从头到尾完整走一遍。
