企业官网建设流程全解析

1. 先把问题想清楚：为什么值得在 PyTorch 里手写一遍 YOLO

“YOLO 目标检测模型在 PyTorch 中的实现”这个题目，乍看像课程实验的例行作业，但真从零跑通一遍，你会发现它检验的是目标检测整条流水线：标注文件怎么解析、网格怎么划分、损失函数每一项到底在惩罚什么、后处理怎么把几百个重叠框压到只剩几个。我第一次做这个实验时以为两三天能搞定，结果在坐标系转换和正负样本分配上反复折腾了两个星期。这里把整个过程完整记一遍，包括那些文档里不会写、只有真正跑崩过才知道的细节。

有一点必须先说清楚：这篇内容适合已经懂 PyTorch 基础（会写 Dataset、会搭 nn.Module）、但没完整做过检测任务的人；也适合做过分类、想跨到检测领域的人。如果你连卷积输出尺寸公式都还要查，建议先去补一下《深度学习入门》那类材料里的卷积章节，否则后面网格尺寸算错一位，排查起来非常痛苦。整套实现我建议控制在单卡 8G 显存以内能跑，输入分辨率 416，数据集规模几百到几千张就够验证思路，别一上来就想着复现大规模训练，那样只会把时间浪费在等 loss 曲线下降上。

1.1 目标检测到底比分类难在哪儿

分类任务里，一张图对应一个标签，模型输出一个概率向量，交叉熵一算就完事。检测不一样，它要回答两个耦合的问题：图里有什么，以及它在哪。这两个问题一旦耦合，麻烦就来了，因为“在哪”这个监督信号本身是随模型输出变化的，你的网络预测出一个框，才知道该拿哪个真值框去跟它算误差，这中间的匹配过程就是所谓的“正负样本分配”，是整个检测任务里最容易出 bug 的地方，也是最难从论文里直接看懂的部分。

更麻烦的是数量不平衡。以 416×416 输入、stride 32 的检测头为例，特征图是 13×13，每个格子挂 3 个先验框，一共 507 个预测框。一张图如果只有 2 个目标，那正样本可能只有 2 到 6 个，剩下 500 多个全是背景。这个比例大概是 1:100 到 1:250，如果不对负样本做降权，网络很快学会“全部预测背景”，损失降得飞快，指标纹丝不动。理解这一点，你才会明白损失函数里那个 noobj 权重系数为什么存在，而不是照着论文抄一个 0.5 就完事。

1.2 为什么不用现成的库，非要手写

直接用成熟框架三行代码就能训起来，为什么还要自己写？我的理由很实际：不手写一遍，你永远不知道 mAP 到 0 是标注格式错了、坐标系错了、还是正样本压根没分配上。手写的最大价值不是性能，而是可观测性——你可以把每个格子的 obj mask 打印出来看，可以把预测框画到原图上跟真值对比，可以在损失函数的每一行加断点。这些能力在封装好的接口里是没有的。

另一个原因是实验本身要考察“理解”。我见过不少人能调通官方仓库，但你问他 t_w 为什么要取 log、sigmoid 到底作用在哪一步，答不上来。这两件事在实际工作中很要命，因为一旦数据分布偏移（比如换成小目标密集的工业质检场景），你必须知道该动哪里，是改 anchor 尺寸、改特征图尺度，还是改正样本匹配策略。这些问题的答案都藏在实现细节里，读代码不如自己写一遍。

1.3 整套实验的技术路线与工作量预估

我这次的路线是：单尺度检测头 + 手写损失 + 手写 NMS + 手写 mAP 评估，不用任何检测库的现成模块。之所以先做单尺度，是因为多尺度（类似 FPN 的三层输出）会让正样本分配、损失聚合、后处理全部翻倍复杂，第一遍就上多尺度，debug 成本会失控。等你把单尺度跑出能看的 mAP，再扩展成三层输出，改动量其实只有几十行。

工作量上，我按模块拆了一下，供你安排时间参考：

这个表里损失函数和评估两块时间最长，因为它们的错误不会立刻报异常，只会让指标莫名其妙地不动。经验上，如果你搭完模型跑第一次训练，loss 从 10 降到 2 然后就卡住不动，八成是正样本分配出了问题，而不是学习率的问题——这个判断我后面会详细展开。

2. 核心原理拆解：YOLO 到底在算什么

2.1 网格划分与输出张量的物理含义

假设输入 416×416，主干网络做 5 次下采样，最后一个特征图是 13×13，每个像素对应原图 32×32 的区域，这个 32 就是 stride。每个格子负责预测落在它中心附近的那些目标。每个格子挂 3 个不同尺寸的先验框，所以输出张量形状是 (B, 3, 13, 13, 5+C)，其中 5 是 tx、ty、tw、th、置信度，C 是类别数。如果你做的是 20 类，那最后一个维度是 25。

这里有个非常容易搞混的点：谁负责哪个目标。规则是拿真值框的中心点去算它落在哪个格子里，那个格子（以及该格子中 IoU 最大的那个先验框）负责这个目标。注意是中心点，不是左上角，也不是整个框覆盖的所有格子。我第一版就写成了"框覆盖的所有格子都算正样本"，结果一个目标被分配了十几个正样本，模型学出一堆重复框，NMS 都救不回来。这个错误很典型，因为直觉上你会觉得"框盖住的区域都该学"，但检测的监督信号必须是稀疏的、唯一的，否则网络不知道该往哪个方向收敛。

还有一点值得提：v1 时代是不带先验框的，直接让每个格子回归两个框，那时候对密集小目标效果很差。后来引入 anchor 机制，本质是把"预测绝对尺寸"变成了"预测相对于某个先验尺寸的偏移量"，这是一个极其重要的思路转变，因为数据集里目标的尺寸分布是高度集中的，让网络去学"这个框比先验框大 1.3 倍"远比学"这个框宽 87 像素"容易得多。

2.2 坐标编码与解码：网络为什么不直接输出绝对坐标

直接回归绝对坐标的后果，我实测过一次：训练前期 loss 剧烈震荡，收敛后大目标定位还行，小目标几乎全偏。原因有两个，一是绝对坐标数值范围是 0 到 416，梯度尺度比分类分支大好几个量级；二是不同目标尺寸差异极大，大框的误差天然比小框大，损失会被大框主导。

解决办法就是编码。对于中心点，网络输出 tx、ty，经过 sigmoid 压到 (0,1)，再加上所在格子的左上角坐标，就得到相对特征图的中心点位置；对应到原图再乘 stride。这个设计的好处是：网络只需要学"中心点在这个格子里的相对位置"，输出范围天然被限制住，不会跑到格子外面去。

对于宽高，网络输出 tw、th，解码方式是w = pw * exp(tw)，pw 是先验框宽度。取 exp 而不是直接乘，是为了保证宽高恒为正，同时在 log 空间里做回归，让大框小框的误差处在同一量级。举个例子，一个宽 300 的框偏了 30 像素，一个宽 30 的框偏了 3 像素，在绝对空间里前者的误差是后者的 10 倍，但在 log 空间里两者的相对误差都是 10% 左右，这才是我们想让网络学的东西。这个换算我建议你在草稿纸上推一遍：

编码：tw = log(gt_w / pw) 解码：w = pw * exp(tw)

推完之后你会发现，如果 gt_w 和 pw 差很多，tw 的绝对值会很大，所以先验框的选择必须贴近数据分布，否则一开始 tw 就在 3 以上，exp 之后数值爆炸，梯度也爆炸。这就是为什么要做 anchor 聚类，后面数据准备那节我会给出具体做法。

2.3 损失函数三部分的构成与权重配比

损失分三块：定位损失、置信度损失、分类损失。定位用带 obj mask 的误差，只对正样本算；置信度分两段，正样本算"应该接近 1"，负样本算"应该接近 0"；分类只对正样本算，用交叉熵或二元交叉熵（多标签场景用后者更合适）。

权重配比是这套损失里最"玄学"的部分，但背后的逻辑其实很清楚。坐标损失权重给 5，因为定位误差直接决定框准不准，而且正样本数量少，不放大权重根本压不住负样本的主导；负样本置信度权重给 0.5，因为 500 多个负样本乘上 1.0 的权重，会把总损失完全撑起来，网络会优先优化"别预测框"这件事，导致漏检严重；正样本置信度权重给 1.0。

还有一个细节：v1 用的是 sqrt(w) 和 sqrt(h) 来算宽高误差，目的是缓解大小框不平衡（大框开根号后相对缩小更多），后来的版本改成在 log 空间回归，本质目的一样。如果你手写的是 v1 思路，记得加根号；如果按 v2 之后的设计，直接用编码后的 tw、th 算平方误差就行，别两套混着用，我就混过，训出来框尺寸系统性偏小。

注意：正负样本的 mask 一定要用float()转成浮点型再相乘，如果直接用布尔张量做乘法，某些 PyTorch 版本会报类型错误，还有些版本会静默做类型提升，导致损失数值翻倍且不易察觉。

2.4 后处理：置信度阈值与 NMS 的联动

推理阶段，507 个预测框先按置信度阈值粗筛，通常取 0.25 到 0.3。这一步筛完一般还剩几十到几百个框，然后进 NMS。NMS 的逻辑很朴素：按置信度降序排，取最高的那个，把它和剩下的框算 IoU，超过阈值的删掉，重复直到清空。IoU 阈值一般给 0.45，密集场景可以调到 0.5 到 0.6，因为阈值太低会把相邻的两个真实目标误删，这是密集小目标检测里最常见的"漏检元凶"。

多类别情况下有个坑要注意：NMS 是按类别分别做还是跨类别一起做。如果两个不同类别的框重叠度很高（比如"人"和"骑手"），跨类别 NMS 会把其中一个删掉。所以正确做法是按类别分组，每组内部做 NMS，最后合并。我见过不少实现为了省事直接全局 NMS，在单类别数据集上看不出问题，一换多类别就崩。

粗筛阈值和 NMS 阈值这两个参数是联动的。你把置信度阈值降到 0.1，会捞回一部分漏检，但误检框也多了，这时候 NMS 的作用就更关键；如果 NMS 的 IoU 阈值给得太高（比如 0.8），大量重叠框留着，最终结果看起来就是"一堆框套在同一个目标上"。我的经验配置是：训练时置信度阈值 0.25、NMS IoU 0.45，评估时置信度阈值可以扫几个值取最优，这个细节在 mAP 计算里影响很大。

3. 工程准备：数据、环境与目录结构

3.1 环境依赖与版本选择

PyTorch 版本建议 1.12 以上，配合对应的 torchvision。这里不需要 torchvision 的检测模块，但它的 transforms 和 IoU 工具函数用起来方便。有几个版本相关问题我踩过，提前说明：一是torchvision.ops.nms在不同版本里返回值类型有差异，如果你要拿它跟自己写的 NMS 做对比验证，注意统一 dtype；二是混合精度训练在 1.10 之前的版本里和手写 loss 配合容易出 nan，原因是 log 的输入出现了 fp16 的零，解决办法是在 log 前面加一个极小值 eps。

依赖清单大致是：torch、torchvision、numpy、opencv-python、matplotlib、tqdm、pyyaml。数据集解析如果标注是 XML 格式，还需要标准库的 xml 解析；如果是 JSON，直接用 json 模块。我不建议引入额外的检测框架依赖，这次实验的意义就在于不依赖它们。

目录结构我习惯这样组织，好处是数据、代码、输出彻底分离，跑多个实验不会互相覆盖：

project/ configs/ base.yaml data/ images/ labels/ train.txt val.txt src/ dataset.py model.py loss.py postprocess.py metric.py train.py infer.py runs/ exp01/ weights/ logs/

3.2 数据集组织与标注格式转换

标注最常见的两种格式，一种是每个目标一行、记录类别和归一化后的中心点与宽高；另一种是每个目标一个节点、记录类别和左上角与右下角的绝对坐标。训练前必须统一成第一种，因为损失函数里要用到中心点做格子分配。

转换代码里有个高频错误：归一化的分母到底用哪个。正确做法是用图片自身的宽和高，不是数据集的最大尺寸，也不是输入尺寸。我第一版图省事用 416 做了统一归一化，结果所有框都挤在左上角一小块区域，因为原图宽度普遍是 1000 以上，归一化之后数值全小于 0.4。这种 bug 从 loss 曲线看不出来，只有把框画到图上才会发现。

转换的核心逻辑大概是这样：

def xyxy_to_xywh_norm(x1, y1, x2, y2, W, H): cx = (x1 + x2) / 2.0 / W cy = (y1 + y2) / 2.0 / H w = (x2 - x1) / W h = (y2 - y1) / H # 越界裁剪，标注人工失误时很常见 cx = min(max(cx, 0.0), 1.0) cy = min(max(cy, 0.0), 1.0) w = min(w, 1.0) h = min(h, 1.0) return cx, cy, w, h

越界裁剪那几行别省。真实标注里出界、负宽、高度为 0 的情况比你想象的多，尤其是有遮挡边缘目标的数据集。一旦出现负宽，后面算 IoU 会得到负数，NMS 排序全乱，最终表现为"检测结果随机跳变"，很难定位。

3.3 Dataset 与 DataLoader 的写法要点

Dataset 的核心职责是：读图、做 letterbox 缩放、把标注框跟着缩放、返回图像张量和框张量。letterbox 是等比缩放后补灰边，而不是直接 resize，因为直接 resize 会改变长宽比，导致框的形状信息失真，模型学到的宽高比跟实际不匹配，测试时定位偏差会明显变大。

letterbox 的实现要点是记录两个值：缩放比例 ratio 和左上角填充量 pad。这两个值在推理时要用，因为你把预测框映射回原图时必须逆运算。我的做法是把它一起返回：

def letterbox(img, new_shape=416, color=(114, 114, 114)): h, w = img.shape[:2] r = min(new_shape / h, new_shape / w) nh, nw = int(round(h * r)), int(round(w * r)) img_resized = cv2.resize(img, (nw, nh), interpolation=cv2.INTER_LINEAR) canvas = np.full((new_shape, new_shape, 3), color, dtype=np.uint8) top = (new_shape - nh) // 2 left = (new_shape - nw) // 2 canvas[top:top + nh, left:left + nw] = img_resized return canvas, (r, left, top)

标注框的换算就是x_new = x_old * r + left，宽高只乘 r。注意这里我用的是中心点坐标的话，也同样处理，因为平移对中心点和角点的效果一样。

DataLoader 这边，batch 内图片尺寸已经通过 letterbox 统一了，所以不需要自定义 collate_fn 做 padding，直接用默认的就可以。num_workers 建议设成 4 到 8，但我踩过一个坑：在 Windows 上多进程 DataLoader 加上 opencv 读图，偶尔会卡死，解决办法是设persistent_workers=False或者把 reads 放到主进程。另外pin_memory=True在单卡训练里能省一点数据搬运时间，值得开。

3.4 数据增强的取舍与实现顺序

增强这块，我的强烈建议是：第一遍训练不要开任何几何增强。理由很直接，当你还在排查"框位置偏了""正样本数量不对"这类问题时，增强引入的坐标变换会让错误来源变得无法区分。等 baseline 跑通了，再逐个加上去。

常开的增强按收益排序大致是：随机水平翻转、随机缩放加裁剪、色彩抖动（亮度、对比度、饱和度）、Mosaic 拼接。前两个是几何增强，收益最大，翻转实现最简单，注意把 x 坐标做1 - x的镜像；随机缩放裁剪要注意裁完之后如果某个目标的可见面积小于原来的 30%，应该把它丢掉，否则会引入大量只露出边角的样本，模型对这些残缺目标的学习效果很差，反而干扰正常目标。

Mosaic 是四个图拼一张，对小目标检测提升明显，因为它让目标在拼接后的图里相对变小。但实现时要注意，拼接后每张子图的标注都必须正确偏移，偏移量算错一个像素，整个框就偏了。我建议先把 Mosaic 的拼接结果连框一起可视化二十张，确认无误再开始训练，别指望从 loss 曲线看出偏移。

4. 模型结构与训练循环的落地实现

4.1 主干网络与检测头的搭建

主干我用的是一个精简版结构：5 个 stage，每个 stage 有 1 到 2 个卷积块，通道数依次是 32、64、128、256、512，最后经过 stride 32 得到 13×13 的特征图。这个规模参数量在 3000 万左右，单卡 8G 显存跑 batch 16 完全够。如果你想更快出结果，把通道数砍半，mAP 会掉一两个点，但训练速度快一倍。

卷积块我用 Conv + BN + LeakyReLU(0.1) 的组合，LeakyReLU 而不是 ReLU，是因为检测任务里负梯度信息对定位回归还是有用的，用 ReLU 会出现一部分神经元彻底死亡，表现为某些格子永远预测同一个框。这个结论我没有做过严格的消融对比，但在两个小数据集上观察到的现象是一致的。

检测头就是一个 1×1 卷积，输出通道数是num_anchors * (5 + num_classes)。这里要特别注意输出张量的形状，我习惯转成 (B, A, H, W, 5+C) 以便和标注做逐元素运算，但卷积出来的原始形状是 (B, A*(5+C), H, W)，所以需要一个 permute 加 reshape：

pred = self.head(x) # (B, A*(5+C), H, W) B, _, H, W = pred.shape pred = pred.view(B, self.num_anchors, 5 + self.num_classes, H, W) pred = pred.permute(0, 1, 3, 4, 2).contiguous() # (B, A, H, W, 5+C)

这个 permute 的顺序错了会非常隐蔽：程序不报错，训练也能跑，但坐标和类别通道全串位了，最终表现是 mAP 永远在 0 附近。我建议张量转换之后立刻用一个小 batch 打印几个格子的值，确认前两维（tx、ty）经过 sigmoid 之后落在 (0,1)，置信度那一维在初始阶段接近 0，类别维度和为 1。这三条能用肉眼验证，比看 loss 靠谱。

4.2 前向传播与损失计算的关键实现

损失函数是整个实现里最需要小心的地方。我的写法是先把标注框转成"格子索引 + 相对偏移 + 尺寸编码"的形式，然后构建两个 mask：obj_mask 标记哪些位置有正样本，noobj_mask 标记哪些位置是纯背景。注意 noobj_mask 不是 obj_mask 取反，因为处于"忽略区"的位置（比如两个目标框重叠区域内的格子）既不算正也不算负，这个忽略区设计在小目标密集场景里很重要。

具体流程是这样的：

# gt: (B, N, 5) -> cx, cy, w, h, cls 归一化到 0~1 gi = (gt[..., 0] * W).long().clamp(0, W - 1) # 格子列索引 gj = (gt[..., 1] * H).long().clamp(0, H - 1) # 格子行索引 # 相对格子的偏移量，范围天然在 0~1 tx = gt[..., 0] * W - gi.float() ty = gt[..., 1] * H - gj.float() # 编码宽高 tw = torch.log(gt[..., 2] / anchors[:, 0] + 1e-9) th = torch.log(gt[..., 3] / anchors[:, 1] + 1e-9)

anchor 匹配那一步，我的做法是算真值框和 3 个先验框的 IoU，选最大的那个 anchor 作为负责者，这样每个目标只对应一个正样本位置，简单但有效。更先进的做法（多正样本分配）能提升召回，但对第一版实现来说是过度设计，先不上。

损失计算的核心：

loss_xy = (coord_w * obj_mask * ((pred_xy - tx) ** 2).sum(-1)).sum() / n_pos loss_wh = (coord_w * obj_mask * ((pred_wh - tw) ** 2).sum(-1)).sum() / n_pos loss_obj = (obj_mask * BCE(pred_conf, 1.0)).sum() / n_pos loss_noobj = (noobj_w * noobj_mask * BCE(pred_conf, 0.0)).sum() / n_pos loss_cls = (obj_mask.unsqueeze(-1) * BCE(pred_cls, onehot)).sum() / n_pos

除以 n_pos 是关键，它把损失按正样本数量归一化，这样不同 batch 之间 loss 尺度稳定。但要注意 n_pos 可能为 0（整个 batch 都没有目标，极端情况），所以要加max(n_pos, 1)防止除零。这个 bug 我在一个批次里全是负样本的数据集上遇到过，loss 直接变 nan，训练前三千步全部白跑。

4.3 训练循环、学习率调度与显存管理

优化器用 AdamW，学习率 1e-3，weight_decay 5e-4。检测任务里 AdamW 比 SGD 收敛快，虽然理论上最终精度 SGD 可能略高，但实验阶段没那个耐心等。学习率调度用余弦退火加 3 个 epoch 的 warmup，warmup 阶段从 1e-5 线性升到 1e-3，这个设计能避免训练初期的梯度爆炸，尤其在你用了 BN 和较大的 batch 时非常必要。

显存管理这块，先算一笔账。3000 万参数，fp32 每个 4 字节，参数占 120MB；梯度同样 120MB；AdamW 维护两个状态，再占 240MB，加起来接近 500MB。剩下的全是激活值，输入 batch 16、416×416、5 个 stage，激活值大概在 3 到 4GB。所以 8G 卡跑 batch 16 是安全线，想跑 batch 32 就要上混合精度或者梯度累积。

实测下来，torch.cuda.amp在这个任务上很稳，显存能省 30% 到 40%，速度提升 20% 左右。但有两个注意点：一是损失里的 log、exp 操作要放到 autocast 范围外，或者给输入加 eps，否则 fp16 下出现零会直接 nan；二是 BCE 计算前把 logits 转回 fp32，这样数值更稳。这两条是我用 nan 换了两次教训总结出来的。

训练循环里还有个小技巧：每 50 个 step 打印一次 loss 分项，而不是只看总 loss。总 loss 往下走不代表模型在学，可能是负样本置信度损失在降，而定位损失一直不降。分项打印能让你一眼看出问题在哪一块，这个习惯我从第一次做检测实验保留到现在，实在太好用。

4.4 推理实现与框还原

推理流程：图片 letterbox 到 416、前向传播、把输出解码成绝对坐标、按置信度粗筛、NMS、把框映射回原图。解码这一步要严格按编码的逆运算来：

# pred: (A, H, W, 5+C) xy = torch.sigmoid(pred[..., 0:2]) wh = torch.exp(pred[..., 2:4]) * anchors.view(1, 1, A, 2) conf = torch.sigmoid(pred[..., 4]) cls_prob = torch.sigmoid(pred[..., 5:]) scores = conf.unsqueeze(-1) * cls_prob # 加上格子偏移，得到特征图坐标 grid_x, grid_y = torch.meshgrid(torch.arange(W), torch.arange(H)) cx = (xy[..., 0] + grid_x.view(1, H, W)) cy = (xy[..., 1] + grid_y.view(1, H, W))

最后算出的框是相对 416 输入尺寸的，映射回原图要做(x_letterbox - left) / r。这一步如果漏掉，画出来的框会整体偏移，而且偏移量与图片比例有关，看起来像"模型对某些图特别不准"，其实是代码问题。我建议写一个visualize.py，把预测框和真值框用不同颜色画在同一张图上，前二十张图逐张检查，比看任何指标都直接。

5. 评估、调参与常见问题排查

5.1 mAP 的计算逻辑与常见误区

mAP 的计算链条是：对每个类别，把所有预测按置信度排序，逐个计算 precision 和 recall，画出 PR 曲线，算曲线下面积得到 AP，所有类别取平均得到 mAP。IoU 阈值取 0.5 时叫 mAP@0.5，取 0.5 到 0.95 平均叫 mAP@0.5:0.95，后者更严格。

手写这块最容易错的是"匹配唯一性"。一个真值框只能被一个预测框匹配上，匹配完之后要把它标记为已用，后面的预测不能再匹配它。如果不做这个标记，同一堆预测全部匹配到同一个真值，recall 会虚高到 1.0，precision 却很低，最终 mAP 看起来还行但实际错得离谱。正确写法是每次匹配时检查matched_gt_idx是否已占用，已占用就找次优的。

另一个误区是置信度阈值。评估时不应该固定一个阈值，而应该用全部预测（或一个很低的阈值，比如 1e-3）参与排序，让 PR 曲线画完整。我第一版为了省内存，只用置信度大于 0.25 的预测算 mAP，结果曲线右侧被砍掉，AP 被系统性低估了十几个点，排查了半天才发现是这个原因。

5.2 训练不收敛与损失异常的排查路径

这部分我用表格整理，因为这几种现象在实际操作里高频出现，且现象到原因的映射不是唯一的，需要按顺序排除：

我自己遇到过最坑的一次是"loss 正常下降，mAP 在 0.05 附近停住"。排查路径是：先可视化预测框，发现框的位置基本对，但类别全是错的；再去看类别分支，发现我在计算分类损失时用的是pred_cls而不是pred_cls[obj_mask]，导致背景位置也参与了分类监督，类别分布被背景稀释。改成只对正样本算分类损失之后，mAP 一周内从 0.05 涨到 0.42。

5.3 检测框重复、漏检与抖动的针对性处理

重复框是最常见的现象，表现是同一个目标被 3 到 5 个框套住。原因通常是 NMS 的 IoU 阈值给太高（比如 0.7 以上），或者多个 anchor 同时被判为正样本。前者调低阈值到 0.45 就能解决；后者要看你的匹配逻辑，如果用的是"所有 IoU 大于 0.5 的 anchor 都算正样本"，那就会出现多正样本，训练时可能提升召回，但推理时必须靠 NMS 兜底，这时阈值要给到 0.4 左右。

漏检分两种情况。一种是置信度分数低被筛掉了，把粗筛阈值从 0.25 降到 0.1，如果漏检目标重新出现，说明是阈值问题，可以考虑在训练时对正样本的置信度目标给一个软化值（比如 0.9 而不是 1.0），避免模型过度自信。另一种是压根没框，那是候选框生成阶段的问题，通常是 anchor 尺寸和数据不匹配。我做过一次统计，数据集里目标宽度集中在 20 到 40 像素，而我用的 anchor 最小都是 60 像素，那必然撒不到点上。

anchor 聚类是解决这个的标准做法：把所有真值框的宽高提取出来，用 IoU 作为距离度量做 k-means，k 取 3 到 9。k=3 适合单尺度检测头，k=9 适合三层输出各挂 3 个。聚类完成后把结果作为先验框写进配置。我做这一步之后，最小 anchor 从 60 降到 22，小目标召回直接提升了接近 20 个百分点，效果非常明显。

框抖动指的是同一个视频序列里，框在相邻帧之间跳来跳去。这个不是模型本身的问题，是训练数据里同一目标的不同姿态都有标注，模型输出在边界附近震荡。缓解办法是推理时对置信度和坐标做时序平滑，或者简单地取多尺度测试的平均。

5.4 从零到能看：我的实操顺序与避坑清单

如果让我重做一遍，我会按这个顺序推进，每一步都有明确的完成标志，避免在错误的基座上继续搭建。

第一步，先过拟合 10 张图。关掉所有增强，batch 设 2，学习率 1e-3，训练 200 个 step。完成标志是总 loss 降到接近 0.1 以下，且可视化出来的框跟真值几乎重合。这一步能一次性验证数据管道、模型结构、损失函数、解码逻辑全部正确。如果这一步都过不了，后面所有调参都是白费。我用这个方法定位过至少五六个 hidden bug，包括张量 permute 顺序错、坐标没归一化、格子索引用错。

第二步，扩到 200 张图，打开水平翻转，训练 50 个 epoch，看验证集 mAP 能不能到 0.2 以上。到不了就查验证集的标注转换和评估代码。

第三步，上全量数据，加随机缩放和色彩抖动，用余弦调度训 200 个 epoch。这时如果 mAP 卡住，再去调 anchor 和损失权重。

避坑清单我列几条最有价值的：

• 固定随机种子，包括 numpy、torch、cuda 三处，否则两次实验的差异你分不清是改动带来的还是随机性带来的。
• 权重保存按验证集 mAP 存最优，不要按 loss 存。lost 最低的模型往往过拟合，实测两者能差 5 到 10 个 mAP 点。
• 每次改动只改一个变量，并且记录进实验日志。我曾经同时改了学习率和 anchor，结果指标掉了，完全无法归因，白花三天。
• 可视化工具要早写。我在项目第 3 天就写了把预测框画到原图上的脚本，后面节省的排查时间远超写脚本的两小时。
• 显存不足时优先降 batch 而不是降分辨率，因为分辨率从 416 降到 320，小目标特征直接消失，定位精度断崖式下跌，而 batch 从 16 降到 8 只是训练慢一点、BN 统计稍微不稳。

最后分享一个我自己觉得很有用的小习惯：训练开始前，先跑一遍全负样本的 batch（就是空图），看 loss 是否为一个合理的常数值、有没有 nan。这个测试能提前暴露除零和 log 零的问题，三十秒就能做完，比我训了半天发现 nan 要划算太多。