YOLO 目标检测图解：一张图看懂它为什么这么快

先看效果

YOLO 解决了什么

传统目标检测（两阶段，如 Faster R-CNN）分两步：先「提议候选区域」（Region Proposal），再对每个区域做分类和框回归。精度高，但慢——一帧要好几百毫秒。

YOLO（You Only Look Once，只看一次）的思路是一步到位：把整张图丢进一个卷积神经网络，一次前向传播，同时输出所有目标的位置和类别。速度快到能实时跑视频（几十到上百 FPS），代价是早期版本对小目标略弱。

原理图解

看上面的动画，核心三步：

1. 把图切成 S×S 网格（如 7×7）：目标中心落在哪个格子，就由那个格子负责预测；
2. 每个格子预测 B 个边界框：每个框包含 (x, y, w, h) 中心点与宽高，加一个置信度（框里有没有目标 + 框准不准），同时预测这个格子属于各类别的概率；
3. NMS 非极大值抑制：同一目标可能被多个格子/多个框都框到，NMS 按置信度排序，保留最高分、去掉重叠度过高的框，得到最终结果。

「只看一次」这个名字点出精髓：没有独立的区域提议步骤，检测和分类在同一个前向里完成，所以快。

三句话记忆

• 一句话：整图进、网格出、一次搞定；
• 两个输出：边界框（位置 + 置信度）和类别概率；
• 一个关键后处理：NMS 去重。

常见问题

Q: YOLO 和 R-CNN 系列到底差在哪？ A: R-CNN 是「先找区域再判断」，两阶段、准但慢；YOLO 是「一次看全图」，单阶段、快但早期小目标弱。如今 YOLO 迭代到 v8/v9+，配合多尺度特征（FPN/PAN）已经兼顾了精度和速度。

Q: 置信度（confidence）到底是什么？ A: 它 = P(有目标) × IoU(预测框, 真值框)，同时表达「这里有没有目标」和「框得准不准」。两个因素只要一个差，分数就低，NMS 时容易被淘汰。

下一步

YOLO 是视觉，但网络协议更是网络工程师的主场。回到基础，重新看 TCP 三次握手图解 或进入 网络工程师路线图。