如果你在 2015 年之前接触过目标检测，大概率被当时的两阶段方法折腾得不轻：先跑一个区域提议网络选出候选框，再对每个框做分类和回归，精度是上去了，速度却始终提不起来。YOLOv1 就是在这个背景下出现的第一个真正意义上的单阶段检测器。You Only Look Once，网络只对整张图做一次前向计算，就能同时输出所有目标的位置和类别。这篇文章是 YOLOv1 原理与实现的第一篇，我会把它的核心设计、网格划分机制、网络结构、标签编码和损失函数全部拆开讲清楚，不绕弯子。不管你之后是想复现这个经典模型，还是想为理解 YOLOv2/v3 打基础，这篇内容都值得从头跟到尾。
我第一次看 YOLOv1 论文时，最难理解的地方不是网络本身，而是它那套输出编码方式——明明是一个分类网络，怎么突然就变成了检测器？后来我花了一整个下午把输出张量、网格、bounding box 和损失函数对着源码过了一遍，才真正想明白它的逻辑干净在哪儿。这篇我会按一条完整的逻辑线来讲：先讲它要解决什么问题，再讲网络怎么设计，然后讲输出怎么解析、损失怎么算，最后落到训练时最容易踩的坑。这样一条线跟下来，你会发现 YOLOv1 的设计其实很有章法。
1. 从两阶段到单阶段：YOLOv1 设计的出发点
1.1 YOLOv1 出现之前的目标检测有多繁琐
在 YOLOv1 之前，主流检测思路是“先找候选区域，再逐区域判断”。以 R-CNN 为例，流程大致是：先用 Selective Search 在一张图上生成约 2000 个可能出现目标的区域提议，然后将每个提议区域裁剪出来、缩放到固定尺寸，分别送进卷积网络提取特征，最后用 SVM 分类、用回归器修正框位置。思路听起来合理，但实际操作时你会发现效率非常感人。
一张图 2000 个候选区域，就意味着 2000 次独立的网络前向计算。虽然候选区域之间可能有重叠特征可以复用，但早期实现并没有做太多共享计算，训练和推理都极慢。即便后来出现了 Fast R-CNN 引入 ROI Pooling，把特征提取收敛到一次前向，候选区域生成仍然单独成一条流水线，而且区域提议阶段和目标检测阶段是两个模块，误差会累积、调优要分开做、速度也受限于提议数量。
这中间的痛苦，做过检测项目的人应该都有体会：你花大量时间调候选区域的参数，但检测效果的上限却被提议质量锁死了。我在自己的早期目标检测项目里试过 R-CNN 系列，印象最深的是每当图像里有密集小目标时，Selective Search 生成的框不是漏掉目标，就是把多个目标框在一起，后续分类再怎么调都救不回来。两阶段方法的精度优势毋庸置疑，但它的复杂度把很多实际应用的门槛抬得太高了——尤其在实时视频流、嵌入式设备这类场景里，每帧几十甚至上百毫秒的耗时根本跑不动。
1.2 “只看一眼就出结果”：YOLOv1 的单阶段回归思想
YOLOv1 做的事情，本质上是把“检测”重新定义成了一个回归问题。它不再先找候选区域，而是把整张图划分成固定数量的网格，让每个格子直接预测目标框和类别。整个流程只有一步：图像输入网络，网络输出一个包含目标位置、大小和类别的结构化张量，然后通过后处理得到最终检测结果。
我特别想强调“回归”这两个字，因为这是理解 YOLOv1 的关键。在分类任务里，网络输出的是类别概率；而在 YOLOv1 里，网络输出的是坐标偏移量、宽高比例、置信度分数和类别概率这种混合信息。举一个生活化的例子：两阶段方法是先在地图上圈出“可能的区域”，然后派人去逐个区域确认“这里是什么”；YOLOv1 则是直接把地图分成 7x7 的格子，让每个格子自己上报“我这里有目标，位置是这么偏，大小是这么大，类别是这个”。
这种设计的直接收益是速度。因为不需要候选区域流水线，网络一次前向就能拿到所有预测信息，推理速度可以做到每秒 45 帧甚至更高。代价是精度上会比当时最好的两阶段方法差一些，而且对密集小目标比较吃力。但从工程角度看，YOLOv1 提出了一种完全不同的性能边界——它证明了检测任务可以用简洁的端到端方式做，并且能跑出实时的效果。后来的 YOLO 系列能够发展成那样庞大的家族，YOLOv1 的这套单阶段思路是最原始的种子。
2. 网络结构逐层拆解：从 448x448 到 7x7x30
2.1 整体架构：24 层卷积加 2 层全连接
YOLOv1 的网络结构在论文里写得非常明确：主体是 24 个卷积层，后面接 2 个全连接层。输入图像统一缩放到 448x448，经过一系列卷积和采样后，最终输出一个 7x7x30 的张量。这里的 7x7 对应把输入图划分成 7x7=49 个网格单元，30 则来自每个网格单元需要输出的信息总量。
我先给没有基础的同学补充一个背景：卷积层负责提取图像特征，全连接层负责把特征映射到最终的输出向量。YOLOv1 之所以用两个全连接层收尾，是因为当时的设计思路是把网络当作一个“整体回归器”：前面的卷积层把图像转换成一个空间特征图，之后的全连接层将这个特征图展平，并直接映射到检测输出。你可以把它理解成，前面是人的眼睛和视觉皮层，负责看和提取信息，后面是大脑的决策区，负责把看到的信息翻译成“哪里有目标、目标多大、是什么”。
论文中有一个很关键的预训练细节：作者先在 ImageNet 分类任务上预训练了前 20 层卷积层，之后才在检测数据集上微调整个网络。预训练时输入尺寸是 224x224，因为这是 ImageNet 分类的标准输入。到了检测阶段，输入换成 448x448，相当于在相同的主干上增加了感受野和空间分辨率。这里你可能会问：输入尺寸变了，预训练的权重还能用吗？答案是可以的，因为卷积层对输入尺寸并不敏感，只是输出特征图尺寸会按比例变大，全连接层则因为权重维度需要与输入匹配，所以检测阶段的全连接层是重新随机初始化训练的。
我做实现时用过预训练权重也试过不预训练直接随机初始化。实测下来，使用预训练权重收敛明显更快，损失下降曲线更平滑。所以如果条件允许，不要省掉预训练这一步，哪怕只是用一个在 ImageNet 上训好的开源权重做初始化，也能帮你省掉很多调参的精力。
2.2 1x1 卷积与 3x3 卷积的配合逻辑
YOLOv1 的网络结构大量使用了 1x1 卷积，这是从 GoogLeNet 借鉴来的设计。1x1 卷积在这里起到两个作用：一是降维，减少后续 3x3 卷积的计算量；二是通道间的特征交互，让不同通道的信息在同一个空间位置上先做一次融合。你可以把它理解为在每个网格点上做一次“小型全连接”，让不同特征通道之间建立联系。
具体组合方式是：大部分卷积块都是 1x1 卷积紧跟着 3x3 卷积，中间没有激活层，或者只有激活但结构非常简洁。例如论文里第三层到第七层反复出现 192 通道的 1x1 卷积接 256 通道的 3x3 卷积这样的组合。这种设计在当时的算力条件下很有必要。如果全部用 3x3 卷积堆叠，参数量和计算量会膨胀得非常快；先用一个 1x1 卷积把通道数减下来，再用 3x3 卷积提取真正的空间特征，既保持了感受野，又控制了计算成本。
在实际复现中，我建议你直接照着论文的配置搭，不要自作聪明地随意调整通道数。YOLOv1 的通道数设计是经过验证的，改小了特征表达能力不够，改大了训练速度明显下降，而检测精度并不会线性提升。论文里这张结构表就是很好的 baseline，你可以在它的基础上做实验，但没必要从零开始重新设计。
每一层卷积之后都跟着一个 Leaky ReLU 激活函数，斜率是 0.1。这里有个细节值得注意：一般的 ReLU 在输入小于 0 时输出 0，而 Leaky ReLU 会让负半轴保持一个很小的斜率，避免信息完全丢失。在检测任务里，特征图上的负值不代表“无用”，可能反应的是目标的边界、背景的对比度等信息，Leaky ReLU 保留这些信息对回归精细位置有帮助。
2.3 从 7x7x30 看输出结构的设计逻辑
7x7x30 这个输出张量是理解 YOLOv1 的重中之重。其中 30 的组成是：每个网格单元预测 2 个 bounding box，每个 box 需要 5 个值（x、y、w、h、confidence），共 10 个值；再加上该网格单元属于 20 个类别的概率（PASCAL VOC 数据集有 20 类），得到 30。公式就是 2×5+20=30。
注意一个容易混淆的点：类别概率是网格级别的，不是框级别的。也就是说，同一个网格里的两个 bounding box 共享一套 20 维的类别概率。这在 YOLOv1 里是一个简化设计——它默认同一个网格内出现的多个目标大概率属于同一类。这个假设在密集场景里会出问题，但在 PASCAL VOC 这类日常场景的数据集上表现还不错。后续的 YOLOv2 就改成了每个 anchor box 都预测类别，就是为了补上这个局限。
我刚开始实现时，老是把类别概率和每个 bounding box 绑定，导致标签张量的维度怎么算都对不上。后来想通了：在 YOLOv1 里，类别概率本质上“属于格子”，而不是“属于框”。一个格子只要被判定含有目标，那么它所预测的两个框都使用同一组类别概率。这个结构理解到位了，标签编码就成功了一半。
3. 网格、Bounding Box 与置信度：YOLOv1 的预测机制
3.1 7x7 网格：每个格子到底在预测什么
YOLOv1 把输入图分成 7x7 的网格，每个网格单元负责预测“中心点落在这个格子内”的目标。注意，这里说的是目标中心点。一个目标如果横跨多个格子，但它的中心点落在其中某个格子里，这个格子才负责预测它。
这个“中心点落在哪个格子，哪个格子负责”的原则，是目标检测里一个极重要的设计决策。它把复杂的多目标检测问题分解成了 49 个相对独立的子问题：每个格子只需要关心自己管辖区间的目标，不需要看全局。这就好比 49 个小区块的管理员，各自只管自己区域里发生了什么，总体汇总起来就是整张图的目标分布。
网格数量 7x7 也不是随便定的。它对应的是网络最深处的特征图空间尺寸。输入是 448x448，网络中一共有 5 次步长为 2 的采样，448 经过 5 次除以 2，恰好得到 14，再经过最后一个采样就是 7。也就是说，7x7 是特征图的空间分辨率，也是全局上下文信息和局部细节的折中结果。网格越多，理论上定位越精细，但输出张量会变大、计算量会增加，而且每个网格能看到的上下文区域变小，分类错误可能上升。网格太少，则难以精准定位小目标。7x7 是作者在实验中选出的平衡点。
3.2 x、y、w、h 与置信度的物理含义
每个 bounding box 的 5 个预测值，在 YOLOv1 里都有精细的归一化方式。x 和 y 是目标中心点相对于所在网格左上角的偏移，取值范围 0 到 1。w 是目标宽度相对于整张图像宽度的比例，h 是目标高度相对于整张图像高度的比例，同样在 0 到 1 之间。用相对值而不是像素绝对值，好处是让网络输出天然具有尺度不变性：不管目标是 50 像素还是 200 像素，只要它占据图像的比例相近，网络输出的 w 就相近。
confidence（置信度）的含义稍微复杂一些，它由两部分相乘得到：这个网格内是否存在目标的概率 Pr(Object)，以及预测框与真实框的 IoU（交并比）。也就是说，confidence 同时反映了“这里有没有目标”和“框得准不准”。在训练过程中，如果格子内没有真实目标，Pr(Object) 为 0，confidence 的目标值就是 0；如果有目标，confidence 的目标值就是预测框与真实框的 IoU 值。
我在训练自己的模型时发现，很多人容易把 confidence 的目标值理解成简单的 0 或 1。这是不对的。它应该是动态计算的 IoU。也就是说，随着网络训练越来越好，预测框越来越准，confidence 的回归目标也会越来越接近 1。训练标签不是预先写死的，而是在每次迭代中依据当前预测结果计算出来的。这一点在动手实现标签编码时要特别小心，不然训练信号会失真。
3.3 从标签到输出：完整的编码与解码流程
标签编码阶段，你需要把数据集的标注转换成 7x7x30 的张量形式。具体来说，先初始化一个全零张量，然后遍历每个真实框：先找到它中心点落在哪个网格（row、col），把该网格的类别概率对应位置置 1，再为该网格分配一个预测框，填上归一化后的 x、y、w、h，最后把 confidence 的目标值设为该预测框与真实框的 IoU。编码和预测阶段的比较、损失计算都是在这个统一的张量空间中进行的。
解码阶段恰好相反。网络输出 7x7x30 张量后，你需要把它还原成真正的检测框。步骤是：遍历每个网格的每个 bounding box，用网格坐标和预测的 x、y 偏移还原出中心点在原图中的像素坐标，用 w、h 乘以图像宽高还原出框的宽高，然后把这个框和 confidence 以及类别概率组合起来，得到一组检测候选。实际工程中，还要把类别概率和 confidence 相乘，得到最终的“类别置信度”，再做阈值过滤和 NMS 去重。
这个编码和解码的对称关系，是 YOLOv1 代码中最核心的骨架。我建议你单独写一个工具模块，把 encode 和 decode 函数封装好，并用简单的例子做单元测试，比如构造一个只有一个目标的小图，看 encode 再 decode 之后能不能正确还原坐标。我当年就是因为编码时忘了把 x、y 除以网格大小进行归一化，导致训练出来的框全部偏移，浪费了好几天排查时间。
3.4 NMS 后处理：消除重复检测
因为同一个目标可能会被相邻的网格重复检测到，YOLOv1 的最终输出需要用非极大值抑制（NMS）来消除重叠框。NMS 的做法很直白：先按置信度把候选框排序，挑出当前最高的框，然后删除所有与其 IoU 超过阈值的其他框，再在剩余框里重复这个过程。
NMS 的 IoU 阈值一般设 0.4 到 0.5 之间。设太大，重复框会残留；设太小，真正紧挨着的两个不同目标可能会被误删。这里需要反复实验调整。我通常会先在验证集上做几次小批量测试，绘制不同阈值下的 precision-recall 曲线再定。YOLOv1 每个网格只贡献两个框，候选框数量本身不多，所以 NMS 很快，这也是它实时性的来源之一。
后处理里另一个常见的坑是置信度的阈值。很多人直接把网络输出的 confidence 当最终分数，但正确做法是先计算 confidence 与类别概率的乘积，再和预设的阈值比较。因为网络可能对一个框很自信（confidence 高），但对它属于哪个类却拿不准（类别概率分散），此时不应该把它当作一个可信的检测结果。
4. 损失函数：YOLOv1 最精巧也最容易被误解的部分
4.1 公式拆解：坐标、置信度、分类三个分支
YOLOv1 的损失函数是一个多部分加权和，整体上可以分成三项：坐标回归损失、置信度损失、分类损失。坐标回归损失负责让预测框的位置和大小接近真实框；置信度损失负责让置信度分数正确反映“有无目标”和“IoU 有多高”；分类损失负责让网格的类别概率分布正确。
每一项都采用了 sum-squared error，也就是均方误差的形式。作者在论文里多次提到，他们其实知道用均方误差并不完美，因为坐标误差和分类误差的尺度不同，强行加在一起可能会导致某些部分主导训练。但 YOLOv1 的伟大之处在于，它用显式加权系数来平衡这些差异，而且这个简单方案在实践中效果不错。这给了后来的研究者很大启发：在端到端检测器里，损失函数设计本身就是一种“精细的手工艺术”，不需要盲目追求复杂。
让我给你一个具体的伪代码视角。坐标损失是计算所有格子中“负责检测目标”的预测框与真实框之间的坐标差（还要乘上权重系数），其中只考虑 IoU 最大的那个预测框。置信度损失分两种情况：对于有目标的格子，计算预测置信度与 IoU 之间的误差；对于没有目标的格子，同样要计算误差，但权重系数小得多。分类损失最简单，只在有目标的格子上计算类别概率的误差。
4.2 为什么坐标权重是 5、无目标置信度权重是 0.5
这两个权重系数是 YOLOv1 损失函数中最显眼的超参数。我自己在实现时对这两个数字做过几次调整实验，下面说一点实际经验。
坐标权重设为 5，是因为一张图里绝大多数网格是没有目标的，如果坐标损失不放大，网络会倾向于把所有框的坐标都预测成 0，也就是全部退化到网格左上角。放大坐标损失，才能把网络的学习注意力强制拉到那些有目标的格子上。你可以做个简单实验：把坐标权重改成 1，训练几个 epoch 后预测框基本就会乱掉，损失曲线震荡得非常厉害。
无目标置信度权重设为 0.5，则是相反的逻辑：因为无目标的格子占绝大多数，如果它们对损失函数的贡献和有目标格子一样大，网络会学会“一直预测低置信度”这种偷懒策略。把无目标格子的权重压低，让网络集中精力学习有目标位置的高置信度预测，同时只不过分追求没有目标的格子预测到绝对零——因为全零输出会伤害特征学习的稳定性，留一点弹性反而更好。0.5 这个值让背景格子的置信度预测趋近于 0，但不会因为一个误报就把梯度推得过猛，破坏整个主干特征。
4.3 为什么宽高要开根号
YOLOv1 损失函数里，对 w 和 h 的误差计算用的是根号后的差值。这个设计非常巧妙。假定你有一个小目标，宽高是 20 像素，还有一个大目标，宽高是 100 像素。在两种情况下，如果预测框都有 10 像素的偏差，直接计算平方误差的话，大目标的误差绝对值更大，梯度也更猛，网络会过度关注大目标而忽略小目标。
对宽高开根号之后，小目标的偏差会被“放大”，大目标的偏差会被“压缩”，从而让不同尺寸的目标对损失的贡献在比例上更均衡。这就是开根号的核心动机。后来的 YOLO 版本用 log 变换、或用 anchor box 方式彻底改变了表示，但思想是一脉相承的：必须让损失函数对不同尺度的目标保持合理的敏感度。
我在复现时试过把开根号去掉，直接用 w 和 h 的差计算 MSE，结果小目标的召回率明显下降。这个改动看似微小，却直接决定了训练后的模型对中小尺寸目标的探测能力。如果你在自己的数据集上做实验，建议先把原始的开根号逻辑保留，等整体流程通了，再尝试去掉它做对比，亲眼看看差异。
4.4 “只惩罚负责的那个框”：从 YOLOv1 开始的原则
前面提到，每个网格会预测两个 bounding box，但并非两个都要对最终损失负责。YOLOv1 的规则是：在训练时，对每个真实框，计算它与该网格内两个预测框的 IoU，哪个 IoU 高，哪个就负责回归这个真实框。另一个框不参与坐标损失，只参与无目标置信度损失。
这个“只惩罚负责的那个框”的原则，是整个 YOLO 系列一脉相承的设计核心。它避免了两个相邻框同时去拟合同一个目标造成歧义，让每个预测框都专精于特定的目标形态。YOLOv1 之后的 v2、v3 引入 anchor 机制，本质上是把这种“让每个框各司其职”的思路用更精细的方式做了扩展。
实现这个逻辑时，要注意算 IoU 的时机。有些初学实现会在训练循环里对每个格子内两个框都计算损失，这样既增加计算量，也会让两个框趋于一致，变成重复预测。正确做法是先把两个预测框与真实框的 IoU 算出来，用 argmax 选出责任人，再对该责任人计算坐标和置信度损失。我用 PyTorch 实现时，通常用 torch.max 和掩码来高效完成这个选择，避免显式 Python 循环拖慢训练速度。
5. 训练前必须做好的数据准备与标签构造
5.1 数据集标注格式与统一转换
YOLOv1 训练时使用的标签格式是：每个真实框记录为类别 id、归一化后的中心 x、中心 y、归一化后的宽 w、归一化后的高 h。不同数据集提供的标注格式往往不同，比如 PASCAL VOC 是 XML 格式，COCO 是 JSON 格式，很多业务数据则是 CSV 或 TXT。训练前必须统一转换成上述格式。
归一化计算很简单：x_center 除以图像宽度，y_center 除以图像高度，box_w 除以图像宽度，box_h 除以图像高度。这里注意，x_center 和 y_center 以图像左上角为原点，除以对应维度后取值范围是 0 到 1。如果你读到的是左上角和右下角坐标，需要先换算成中心点加宽高：width = x2 - x1，height = y2 - y1，x_center = (x1 + x2) / 2，y_center = (y1 + y2) / 2。
实际项目中我见过最多的错误，就是没有归一化或者归一化的分母用错——宽高都用图像宽度除以，高度方向直接错了，检测框全部拉长或压扁。这种错误不会导致训练崩溃，但会让 mAP 低得离谱。我强烈建议在格式转换后，写一个可视化脚本，把转换后的框画回原图随机抽几十张人工检查一遍。这一步看起来笨，却是省时间的妙招。
5.2 从标注框到 7x7x30 标签张量
这是整个实现中最容易出错的环节。你需要把一个标注框转换成 7x7x30 中的一部分。转换的大致步骤是：先计算归一化后的中心 x 和 y，然后乘以 7 取整，得到它落在哪个网格；随后将网格对应的类别通道的位置置为 1，再把 x 和 y 转换成相对该网格左上角的偏移量，也就是减去网格的整数位置，得到的值在 0 到 1 之间。
要注意，x 和 y 的编码已经经过一次归一化到 [0, 1]，而 w、h 保持全图归一化比例即可。我在最初实现时对 x、y 的处理犯了迷糊，以为它们也要相对整张图，结果导致网络输出和标签的空间语义不一致：预测框中心点永远偏离真实位置半个网格的距离。这个问题在 loss 数值上几乎看不出来，因为模型会硬学出一个补偿，但泛化能力会很差。
处理置信度标签时，只有两种情况：如果格子内有真实目标中心，它的置信度目标是该预测框与真实框的 IoU，另一个框则作为无目标格子处理；如果格子内没有真实目标，两个框的置信度目标都是 0。这里建议在训练循环内动态计算 IoU，而不是在数据预处理阶段写死，因为预测框每轮都在变化。
5.3 训练超参数与初始化建议
在训练超参数上，建议参考论文的设定：batch size 设置为 64，动量设为 0.9，权重衰减设置为 0.0005，初始学习率从 0.001 开始，训练到中期可以提高到 0.01，后期再逐步调低。不过我用实际数据训练时发现，如果你的 GPU 显存不够大，batch size 可以适当降到 32 或 16，但要同步调低初始学习率，否则稳定性变差。
权重初始化对 YOLOv1 影响很大。这个网络前面是 24 层卷积，权重尺度稍大就会导致激活值过大、梯度爆炸或损失变成 NaN。我常用的做法是：卷积层采用标准差为 0.01 的高斯分布初始化，全连接层也做类似的小随机初始化。这样可以避免激活值一开始就饱和。另外，因为 YOLOv1 的坐标回归输出没有经过归一化或激活，极端情况下可能预测出负的宽高值，训练时要在损失计算中对坐标增加一个小范围的截断保护。
数据增强建议包含随机缩放、平移、曝光度和饱和度调整。比如每次迭代随机将输入图像的宽高缩放至原始尺寸的 80% 到 120%，再随机平移 20% 之内，同时调整 HSV 通道。这些操作不需要额外写很复杂的代码，用 OpenCV 就能完成，但对泛化能力提升显著。
6. 训练中常见的坑与排查经验
6.1 损失变成 NaN 或完全不下降
这不是 YOLOv1 特有的问题，但在 YOLOv1 里特别容易出现，因为它是一个含坐标回归的端到端模型。最常见的原因是学习率过大，或者权重初始化尺度太大。第一次训练 YOLOv1 的时候，我直接把 ImageNet 分类的默认学习率套上去，结果前几百步损失就开始发散，只好中断重来。
排查时可以这样操作：先固定一个较小的学习率如 0.0001，观察头 500 个 batch 的损失曲线；如果还是 NaN，检查数据标签中是否有异常值，比如宽高为 0、坐标超出 [0, 1] 的标注框。我遇到过一次工业数据里有负坐标的标注框，导致回归目标出现负数，损失直接爆掉。后来在数据加载时加了一步边界检查，把非法框过滤掉，问题就消失了。
6.2 置信度学习成了一条水平线
如果你的训练过程中，有目标格子的置信度始终低，无目标格子的置信度始终高，通常是对损失函数里的权重设置有问题，或者标签编码里 confidence 的目标值写死成了 1 而不是动态 IoU。置信度回归的目标应该是“预测框与真实框的 IoU”，如果写死，网络会陷入一种次优状态：它不知道该把 confidence 的值逼近到什么程度才合适，梯度信号也会互相冲突。
另一个原因是无目标格子的权重太大。如果 lambda_noobj 设置成和坐标损失一样大，网络会发现大量无目标格子的“背景信号”太强，最终选择把 confidence 一律压低来减少整体损失，造成“漏检”。所以保持好 5:0.5 这个比例很关键。
6.3 小目标检测效果差，怎么办
YOLOv1 对尺寸小于约 32x32 像素的目标，效果本来就不好，因为网格只有 7x7，每个网格要覆盖原图大约 64x64 像素的区域，小目标在特征图上可能只占非常少的像素。遇到这种问题，优先检查数据增强里是否包含随机缩放，把小目标放大后再训练；其次可以尝试修改网格数量，比如改成 9x9 或 11x11，虽然越改越不像原文，但在业务场景里这是最有效的解决方向。
此外可以调整实话，YOLOv1 对密集小目标几乎没有还手之力。如果你确实需要做小目标检测，建议后续转向 YOLOv3 或更现代的 anchor-free 方法。YOLOv1 的价值在于帮你把前向回归、标签编码、损失函数这一整套机制吃透，而不是在小目标场景里硬扛。
6.4 一个加速调试的经验
YOLOv1 训练时，我建议你每隔几百个迭代就把验证集上的预测框可视化输出一次。视觉检查比损失曲线直观得多。看到基本框位正确但类别错乱，就调分类损失权重；看到框的大小总是偏大或偏小，重点检查 w、h 的归一化和开根号逻辑；看到多个框挤在同一个目标附近，检查 NMS 阈值和后处理代码。
我本人调试时还会用一个更狠的小技巧：先拿一张只有单目标的合成图做训练，如果模型能很快在损失降到接近 0，说明数据链路、标签编码和损失计算都是通的，再换完整数据集。这能在半小时内筛掉八成低级错误，比在完整数据集上跑几小时才发现 bug 高效得多。
上面这些排查手段，都是我在多次复现 YOLO 系列过程中积累下来的。YOLOv1 虽然赶不上今天层出不穷的新模型，但它的实现复杂度适中，细节密度极高，把一个模型从论文读原理解、从源码看实现再到亲手调参，是理解整个目标检测领域最扎实的一条路径。尤其是当你亲手把 7x7x30 那个张量编好、解码成框，再看着 loss 慢慢下降的时候，你对“检测器到底学到了什么”会有完全不同于只调库的理解。
