YOLO

概述

YOLO（You Only Look Once）是一类 One-Stage 目标检测框架，一次前向推理即可得到所有目标的类别和边界框，速度显著快于两阶段检测器（如 Faster R-CNN）。

关键内容

标准架构

输入图像
    ↓
Backbone（特征提取，如 CSPDarknet）
    ↓
Neck（多尺度特征融合，FPN/PAN）
    ↓
Head（三个尺度的检测头）
    ↓
NMS（非极大值抑制）→ 最终检测框

One-Stage vs Two-Stage

| 特性 | One-Stage (YOLO) | Two-Stage (Faster R-CNN) | |------|------------------|--------------------------| | 推理速度 | 快 | 慢 | | 精度 | 略低 | 略高 | | 适用场景 | 实时检测、大规模部署 | 高精度要求场景 |

Anchor 机制

YOLO 使用预定义的 Anchor box 尺寸来匹配不同大小的目标。标准 YOLO 的 Anchor 为自然场景优化，在文档场景需要重新聚类 bbox 尺寸分布来生成专用 Anchor。

NMS（非极大值抑制）

后处理关键步骤：去除重叠度高的冗余检测框。IoU 阈值的选择直接影响检测结果——过高保留重复框，过低误删正确框。

在文档布局中的应用

DocLayout-YOLO 是 YOLO 针对文档布局检测的专门变体，解决了四大挑战：极端长宽比、密集重叠、小目标、无纹理区域。

来源

• raw/assets/MinerU/minerU_03_layout.md — MinerU 深度解析系列 · 第三篇：布局检测系统

相关

• DocLayout-YOLO — YOLO 的文档布局专用变体
• 文档布局检测 — YOLO 在文档领域的应用场景