YOLO26 · 看懂目标检测
完整网络与预训练模型的真实特征，从照片一路看到目标框
此刻
怎么做
会骗你
文字版：YOLO26 漫游在做什么
目标检测要同时回答两件事：图里有什么，以及它在哪。YOLO 系列的做法是一次前向就把所有框和类别都预测出来（所以叫单阶段），并且在三个不同的尺度上分别预测，以兼顾大目标和小目标。这一页用一张真实照片走完主干、特征融合和三个检测头。
画面上正在发生什么
主干（Backbone）负责逐级下采样提取特征：640×640 的输入一路减半到 20×20，每一级的特征越来越抽象、感受野越来越大。颈部（Neck）则把不同层级的特征混合起来——先自顶向下上采样并拼接，再自底向上下采样并拼接，页面上紫色标号 ①–④ 就是这四处拼接点，点它们可以追溯两路输入分别来自哪里。
最关键的是三个检测头：P3 在 80×80 的特征图上预测，格子密、感受野小，负责小目标；P5 在 20×20 上预测，格子稀、感受野大，负责大目标；P4 居中。页面会显示每个尺度各保留了几个框——这张照片上大部分目标都由 P5 给出，因为它们在画面里占比较大。
什么时候它会骗你
- 小目标检测难，根源在下采样。输入下采样 8 倍后，原图上 16 像素的目标在 P3 特征图上只剩 2 个格子。再小就几乎没有信息了。这是所有下采样网络的共同限制，实践中常靠提高输入分辨率或切图推理来缓解。
- 置信度阈值和 NMS 阈值会显著改变结果。同一个模型，把置信度阈值调低会冒出大量低质量框，调高会漏掉目标；NMS 的 IoU 阈值则决定重叠的框保留几个。报告检测性能时必须说明这两个阈值，否则数字无法比较。
- mAP 高不代表你的场景能用。COCO 上的 mAP 是在特定类别、特定图像分布下测出来的。换成你自己的相机角度、光照、目标尺寸，表现可能差很多。迁移到自有数据必须重新标注和评估。
常见问题
- 单阶段和两阶段检测器有什么区别？
- 两阶段（如 Faster R-CNN）先生成候选区域再逐个分类和回归，精度高但慢；单阶段（YOLO、SSD）直接在特征图上一次预测所有位置的框和类别，快得多。随着结构改进，现在单阶段方法在精度上已经追得很近，实时场景基本都用它。
- 为什么要在三个尺度上预测？
- 因为目标在图像中的大小差别很大。浅层特征图分辨率高、感受野小，适合小目标；深层特征图分辨率低、感受野大、语义强，适合大目标。只在一个尺度上预测，必然在另一端表现很差。
- NMS 是做什么的？
- 非极大值抑制。模型会对同一个目标在相邻位置给出多个高度重叠的框，NMS 按置信度排序，保留最高的那个，把与它重叠超过阈值的其余框删掉。它是后处理步骤，不参与训练，但直接影响最终输出的框数。
本页特征与检测结果由 YOLO 模型对固定照片离线实跑导出；框数与类别为该次实跑结果，不代表模型在其他图像上的表现。