111.YOLOv1手动复现完整代码，从网络定义到NMS后处理

摘要

YOLO（You Only Look Once）作为目标检测领域的标杆算法，凭借其端到端的单阶段检测架构，在工业界和学术界均占据核心地位。本文以理工科严谨逻辑，从YOLO的核心原理出发，逐步拆解其技术演进路径，并提供一个从数据准备、模型训练到推理部署的完整可运行案例。文章所有代码均经过验证，可直接在标准环境下运行，旨在帮助读者建立从理论到实践的完整认知闭环。

核心原理

1. 单阶段检测范式

YOLO将目标检测视为回归问题，输入图像经过单个神经网络直接输出边界框坐标和类别概率。与传统两阶段方法（如Faster R-CNN）相比，YOLO消除了候选区域生成步骤，实现了端到端的实时检测。

2. 网格划分与锚点机制

YOLO将输入图像划分为S×S网格。每个网格负责检测中心点落在该网格内的目标。每个网格预测B个边界框，每个边界框包含5个参数：中心坐标(x,y)、宽高(w,h)和置信度分数。此外，每个网格还预测C个类别概率。

3. 损失函数设计

YOLO的损失函数由三部分组成：

• 坐标损失：使用均方误差计算预测框与真实框的坐标差异，对宽高使用平方根以平衡大小目标的贡献
• 置信度损失：区分包含目标和不包含目标的网格，使用不同的权重系数
• 分类损失：使用交叉熵损失计算类别概率

4. 非极大值抑制（NMS）

后处理阶段