Phase 1：YOLO 原理与读源码
用大白话说：这一页帮你搞懂——YOLO 这个"认图模型"到底怎么工作的，以及怎么读它的源码、自己动手改一小处把它跑通。
目标：不搞懂原理就永远是被框架牵着走。这一阶往向内走——CNN 基础、YOLO 为什么 work、读 mmyolo/Ultralytics 源码、动手改一处跑通。
一、CNN 基础清单（地基，不牢先看 Python 补强）
- 卷积（说人话：让一个小窗口在图上滑动，提取局部花纹）：用 kernel（小窗口）滑窗提取局部特征，输出的通道数 = 用了几个滤波器。
- BN（说人话：训练时给数据"调匀"，让训练更稳、更快收敛）：训练稳定、加速收敛。
- 激活（说人话：加一道"拐弯"，让模型能学复杂形状，比如 ReLU）：引入非线性。
- 感受野（说人话：图上某一处"看到了多大一片原图"）：深层能看到多大原始区域——检测大目标靠它。
- 下采样（说人话：把图缩小，丢掉细节但保留大意思，比如 stride/pooling）：特征图变小、语义变强、位置变粗。
二、YOLO 为什么 work（核心 insight）
先认词：YOLO（说人话：一种很快的"认图模型"，能在一张图里框出人/车并认出是什么）；模型（说人话：训练好的、能认东西的"大脑"文件）。
核心一句话：把检测变成「单次回归 + 分类」——把图切成网格，每个格子直接预测「有没有目标 + 框在哪 + 是什么类」。一个网络一次出结果，所以快。
几个词先认一下：anchor（说人话：提前设好的一堆"参考框"，帮模型猜框在哪）；anchor-free（说人话：不预设参考框，直接让模型自己学）；IoU（说人话：预测框和真实框重合了多少，越高越准）。
| 概念 | 解决什么 | 你该追问 |
|---|---|---|
| anchor vs anchor-free | 框的先验怎么来 | 新版 YOLO 大多 anchor-free，为什么？ |
| grid 分配 | 目标归哪个格子负责 | 一个大目标跨多格怎么办？ |
| 损失：box/cls/obj | 框、类、有无目标分别算误差 | 为什么三类要加权？ |
| IoU 家族（GIoU/DIoU/CIoU） | 框误差怎么衡量（见方法论章） | CIoU 比 IoU 多补了什么？ |
| 标签分配（ATSS/simOTA/TAL） | 哪个预测框配哪个真值 | 动态分配比静态好在哪？ |
三、读源码：带一张图追数据流
不要泛读。打开 mmyolo（MMDetection 系，结构清晰）或 Ultralytics，从三层入手：
先认词：backbone（说人话：负责"看"图、一层层提取特征的主体）；neck（说人话：把不同大小的特征揉在一起）；head（说人话：最后出结果的地方，给出框+类+置信度）。
backbone → 提特征（层层下采样，出多尺度特征图）
neck → 把多尺度特征融合（FPN/PAFPN，让小目标也有语义）
head → 在每个尺度上出预测（框 + 类 + 置信度）练习：拿一张 640×640 图，跟它从 model(frame) 进来到输出框，在每一层 print(tensor.shape)，确认 shape 怎么变。这比读十遍文档有用。
四、动手：改一处跑通（读懂的闭环）
二选一，跑通后对比 mAP（说人话：衡量模型认得准不准的综合分数，越高越好）：
- 改损失：把 CIoU 换成 DIoU（或反过来），看小目标 mAP 变化。
- 加注意力：在 neck 后插一个轻量注意力模块（如 SE / CBAM，说人话：让模型学会"盯着"重要区域），看召回变化。
别忘了：每次实验用 wandb/mlflow（说人话：记实验用的本子，帮你记住每次改了啥、结果如何）记超参 + 指标，不然改了一堆不知道哪个有用（见 Phase 2 指标部分）。
五、论文阅读顺序（演进脉络）
- YOLO v1（一次回归的开山）
- v3（多尺度，小目标起点）
- v5 / v8（工程化、anchor-free 化）
- v11（最新架构）
读每篇只抓「它解决了上一代什么痛点」，不用推公式。
六、🔧 Phase 1 验收
- 能讲清「为什么是一次回归」以及 CIoU 在补偿什么。
- 改一处网络/损失并跑通，输出 mAP 对比。
- 画得出 backbone/neck/head 的数据流图。
下一步：Phase 2 训练与数据——解决你之前的近/远漏检。