摘要

YOLO（You Only Look Once）是目标检测领域最具影响力的单阶段检测算法之一。2024年发布的YOLO26作为最新版本，在网络深度和检测精度上都有显著提升。本文以YOLO26m为研究对象，从卷积神经网络基础出发，深入解析YOLO26的网络架构、核心模块工作原理，以及从图像输入到目标输出的完整检测流程。

---

1. 神经网络基础与图像表示

1.1 计算机中的图像

在计算机中，一张彩色图像可以表示为一个三维矩阵：

图像尺寸：高度 H × 宽度 W × 通道 C
例如：640 × 640 × 3

这里3代表RGB三个通道，每个像素点存储红、绿、蓝三个颜色值，取值范围0-255。

1.2 特征图的概念

传统图像：每个像素点有3个值（RGB）

特征图：每个"像素点"有更高维度的特征向量

以YOLO26第0层为例：

输入：640 × 640 × 3 （RGB图像）
    ↓
卷积层：3×3卷积核，输出64个通道，步长2
    ↓
输出：320 × 320 × 64

经过第0层后：

• 分辨率从640×640变为320×320（步长2导致尺寸减半）
• 每个位置从3个值（RGB）变为64个特征值

这64个特征值可以理解为：该位置学习到的64种"视觉特征"，如边缘、纹理、形状等抽象信息。

---

2. YOLO26 网络架构详解

2.1 整体架构：三阶段设计

YOLO系列采用经典的"编码器-解码器"结构，分为三个阶段：

输入图像 (640×640×3)
    ↓
██████  BACKBONE  ███████  (特征提取网络)
    ↓
██████   NECK    ███████   (特征金字塔网络)
    ↓
██████   HEAD    ███████   (检测头)
    ↓
目标检测结果

2.2 Backbone（主干网络）

Backbone负责从输入图像中提取多尺度特征，是整个网络的"特征提取器"。YOLO26m的Backbone共11层：

层级	模块	输入→输出	分辨率变化	功能说明
0	Conv	3→64	640→320	初始卷积，提取基础特征
1	Conv	64→128	320→160	通道扩展
2	C3k2	128→256	160→160	CSP瓶颈块，浅层特征提取
3	Conv	256→256	160→80	下采样
4	C3k2	256→512	80→80	CSP瓶颈块，中层特征提取
5	Conv	512→512	80→40	下采样
6	C3k2	512→512	40→40	CSP瓶颈块
7	Conv	512→512	40→20	下采样
8	C3k2	512→512	20→20	CSP瓶颈块，高层语义特征
9	SPPF	512→512	20→20	空间金字塔池化，多尺度融合
10	C2PSA	512→512	20→20	注意力机制，增强特征表达

分辨率变化流程：

640×640 (输入图像)
    ↓ 步长2
320×320 (轮廓、边缘特征)
    ↓ 步长2
160×160 (纹理、局部形状)
    ↓ 步长2
 80×80 (部件、部分对象)
    ↓ 步长2
 40×40 (较大目标区域)
    ↓ 步长2
 20×20 (整体语义信息)

规律：随着网络加深，分辨率不断降低（特征图变小），但每个位置的特征维度增加（信息更抽象）。

2.3 Neck（特征金字塔网络）

Neck负责融合不同层级的特征，实现多尺度特征融合。主要包含两个操作：

（1）上采样 + 特征融合（自底向上）

20×20 特征 → 上采样 → 40×40 → Concat → 80×80
                   ↑           ↑
                上采样      特征融合

（2）下采样 + 特征融合（自顶向下）

80×80 特征 → 下采样 → 40×40 → Concat → 20×20
                   ↓           ↓
              下采样      特征融合

这种双向特征融合确保每个尺度的输出都包含浅层（细节）和深层（语义）信息。

2.4 Head（检测头）

检测头负责在特征图上预测目标位置和类别。YOLO26采用三个检测头，分别负责不同尺度的目标检测：

检测头	特征图尺寸	负责检测的目标
P3	80×80	小目标
P4	40×40	中等目标
P5	20×20	大目标

每个检测位置输出：

• 4个值：边界框中心(x, y)和尺寸(w, h)
• 3个值：各类别概率（pedestrian, car, bike）
• 1个值：置信度分数

---

3. 核心模块详解

3.1 Conv（卷积层）

标准卷积模块是网络的基础组成单元：

输入 → 卷积 → BatchNorm → SiLU激活 → 输出

卷积操作：使用固定大小的卷积核在输入特征图上滑动，计算点积得到输出。

BatchNorm：批归一化，加速训练稳定收敛。

SiLU：Sigmoid Linear Unit，一种非线性激活函数。

3.2 C3k2 模块

C3k2是YOLO26的核心模块，采用CSP（Cross Stage Partial）结构：

输入
  ├── 分支1 → Bottleneck × 2 → Concat ──┐
  │                                        → 输出
  └── 分支2 → Conv ──────────────────────┘

Bottleneck结构：

Conv(1×1) → Conv(3×3) → 残差连接

C3k2的优势：

• 增强梯度流动，缓解梯度消失
• 减少计算量，提高推理速度
• 提升特征提取能力

3.3 SPPF 模块

Spatial Pyramid Pooling - Fast：

输入 → MaxPool(5×5) → ┐
         ↓            │
       MaxPool(5×5) → ┼→ Concat → 输出
         ↓            │
       MaxPool(5×5) → ┘

作用：通过三个连续的5×5最大池化，获取不同感受野的特征，最后拼接融合。多尺度信息有助于检测不同大小的目标。

3.4 C2PSA 模块

引入PSA（Pyramid Squeeze Attention）注意力机制：

输入 → 空间注意力 → 通道注意力 → 输出

作用：让网络自适应地"关注"重要特征，抑制无关信息，提升检测精度。

---

4. 从输入到输出：完整检测流程

4.1 推理过程

1. 输入新图像 (640×640×3)

2. Backbone特征提取
   逐层卷积，得到多尺度特征图

3. Neck特征融合
   双向FPN，融合不同层级特征

4. Head检测输出
   三个尺度分别输出检测结果

5. 后处理（NMS）
   - 过滤低置信度框
   - 去除重复框
   - 输出最终检测结果

4.2 网格检测原理

YOLO将特征图划分为网格，每个单元格负责检测落入其中的目标：

以80×80的特征图为例：

• 共6400个单元格
• 每个单元格预设3个锚框
• 每个锚框输出：位置(4) + 类别(3) + 置信度(1) = 8个值

4.3 NMS（非极大值抑制）

检测会产生多个重叠的边界框，NMS保留最佳结果：

1. 按置信度排序所有框
2. 保留置信度最高的框
3. 删除与保留框IoU重叠过高的其他框
4. 重复直到处理完所有框

---

5. 损失函数与训练

5.1 损失函数组成

训练时使用三个损失函数：

损失函数	作用	优化目标
box_loss	边界框回归	预测框与真实框越接近越好
cls_loss	分类损失	预测类别概率分布越接近真实分布越好
dfl_loss	分布聚焦损失	边框预测分布越集中越好

总损失 = box_loss + cls_loss + dfl_loss

5.2 训练流程

for epoch in range(epochs):
    for batch in dataloader:
        # 前向传播
        predictions = model(images)
        
        # 计算损失
        loss = compute_loss(predictions, targets)
        
        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

---

6. YOLO26 性能指标

指标	YOLO26m	说明
参数量	20.4M	模型大小
FLOPs	68.2G	计算量
mAP50-95	53.1%	COCO数据集精度
GPU显存	~12GB	推荐配置

---

7. YOLO系列发展脉络

版本	年份	主要创新
YOLOv1	2015	首次实现单阶段检测
YOLOv3	2018	FPN多尺度检测
YOLOv5	2020	CSPDarknet + Pan
YOLOv8	2023	C2f + Anchor-free
YOLO26	2024	更深网络 + 注意力机制

---

8. 总结

YOLO26是一个精心设计的深度神经网络，其核心思想是：

1. 特征提取：通过11层卷积网络，将640×640×3的图像逐层抽象为20×20×512的特征图
2. 多尺度融合：Neck阶段融合不同层级的特征，兼顾细节和语义信息
3. 网格检测：在特征图的每个位置预测目标，实现端到端检测

理解YOLO的关键在于理解"特征"的含义——从最初的RGB值，到64维、256维、512维的特征向量，网络逐层提取越来越抽象、越来越有语义信息的内容，最终完成目标检测任务。

---

参考：
-ultralytics YOLO26 官方实现

• Redmon J, et al. “You Only Look Once: Unified, Real-Time Object Detection”
• Wang CY, et al. “YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information”

---

本文基于 YOLO26m (20.4M parameters) 架构分析