YOLO26最新创新改进系列：别再把深度学习当黑盒：一张图看懂 CNN 如何“看见”图像

购买相关资料后畅享一对一答疑！

微信公众号：Ai计算机视觉
畅享超多免费持续更新且可大幅度提升文章档次的纯干货工具！

别再把深度学习当黑盒：一张图看懂 CNN 如何“看见”图像

从卷积的乘加运算，到 YOLO 的检测框输出，科研小白也能按步骤跑起来

整理说明：本文基于 B 站视频《一文读懂深度学习：超强可视化，深度学习再也不“黑盒”卷积神经网络的计算可视化！》的公开信息，并结合 CNN、YOLO、Grad-CAM 等基础知识进行原创化梳理。

很多同学第一次学深度学习，最容易卡在一句话上：

模型到底是怎么从一张图片里“看见”目标的？

如果只看公式，卷积神经网络像一团黑盒；如果只看代码，又容易变成“调包跑通但完全不懂”。正确的打开方式是：把图像在网络中的流动过程画出来。

这篇文章用最小必要知识讲清楚 3 件事：

1. 图片进入 CNN 之后，到底发生了什么。
2. 卷积层为什么能提取边缘、纹理、形状等特征。
3. YOLO 这类目标检测网络，如何把特征变成检测框。

建议先收藏。后面配了学习路线、实操命令、代码片段和踩坑清单，适合科研新手照着做。

---

01 先把一句话记住：图片在模型里不是图片，而是数字

我们肉眼看到的是一张图，计算机看到的是一个三维数组：

维度	含义	例子
H	高度	640
W	宽度	640
C	通道数	RGB 三通道

一张 640 x 640 的彩色图，进入模型前通常会变成 640 x 640 x 3 的数字张量。每个像素点的值表示颜色强度，模型并不知道“猫”“车”“细胞”“病灶”这些概念，它只能从数字模式里逐层学习。

所以深度学习不是魔法，它更像一个层层加工的流水线：

像素值 -> 边缘纹理 -> 局部形状 -> 目标部件 -> 类别或检测框

初学者只要理解这条线，后面的 CNN、YOLO、Grad-CAM 都会顺很多。

---

02 卷积到底在算什么？核心只有“乘加”

卷积层看起来复杂，本质是一个小窗口在图像上滑动。

每滑到一个位置，它会做 3 步：

1. 取出窗口覆盖的一小块数字。
2. 和卷积核里的权重逐项相乘。
3. 把乘积全部加起来，得到输出特征图里的一个格子。

可以把卷积核理解成一个“特征探测器”：

卷积核偏好	更容易响应的内容
水平边缘核	横向边界、明暗变化
垂直边缘核	竖向边界、轮廓
纹理核	重复花纹、细密结构
深层组合特征	物体局部、目标部件

这里最重要的不是背公式，而是理解一个直觉：

卷积核不是一次看完整张图，而是反复观察局部区域。浅层先学边缘，后面再把边缘组合成纹理、形状和语义。

---

03 CNN 为什么越往后越“抽象”？

CNN 的每一层都在把上一层的输出重新加工。

浅层离原始像素近，所以更容易看到边缘、颜色、纹理；深层经过多次组合后，空间分辨率通常变小，但语义更强。

层级	常见变化	你应该怎么观察
输入层	原始像素	看图像尺寸、通道数、是否归一化
浅层卷积	边缘和方向	看 feature map 是否对轮廓有响应
中层结构	纹理和局部形状	看不同通道是否关注不同区域
深层语义	目标部件和类别线索	看热力图是否落在目标主体上
输出层	分类、检测、分割结果	看预测是否和任务目标一致

这就是“黑盒”可以被拆开的地方。

你不需要一开始就完全理解每个参数，只要先做到：

1. 能打印每层输出尺寸。
2. 能画出几层 feature map。
3. 能看懂 Grad-CAM 热力图大概在关注哪里。

学深度学习，先让模型“可见”，再谈优化。

---

04 YOLO 做目标检测时，多做了哪一步？

普通分类模型回答的是：“这张图里是什么？”

YOLO 目标检测模型回答的是：“图里有哪些目标？它们在哪里？我有多确定？”

所以 YOLO 的输出通常包含：

输出项	含义
x, y	目标框中心点
w, h	目标框宽高
confidence	模型对目标存在的置信度
class probability	属于每个类别的概率

理解 YOLO，可以先抓住三个模块：

模块	作用	小白理解
Backbone	提取图像特征	先把图看懂
Neck	融合不同尺度特征	小目标、大目标信息汇合
Head	输出检测结果	给出框、类别、置信度

如果你正在看 YOLO 的 YAML 结构，常见格式是：

# [from, repeats, module, args]
- [-1, 1, Conv, [64, 3, 2]]
- [-1, 3, C2f, [128, True]]
- [[-1, 2], 1, Concat, [1]]
- [[8], 1, Detect, [nc]]

这 4 个字段可以这样读：

字段	解释
from	输入来自哪一层，-1 代表上一层
repeats	模块重复几次
module	使用什么模块，比如 Conv、C2f、Concat、Detect
args	模块参数，比如通道数、卷积核大小、步长

读 YOLO 网络结构时，不要一行一行硬背。先画数据流：上一层输出到哪里，哪些层被拼接，最后哪些尺度进入 Detect。

---

05 7 天学习路线：科研小白照着走

时间	学什么	交付物
Day 1	图像张量、归一化、通道	能说清一张图进入模型后的形状
Day 2	手算 3x3 卷积	算出一个输出格子
Day 3	feature map 可视化	截图保存浅层、中层、深层特征
Day 4	训练一个小 CNN	跑出 loss 曲线
Day 5	分析错误样本	找出模型看错的典型情况
Day 6	跑一次 YOLO 检测	得到带检测框的图片
Day 7	做 Grad-CAM 热力图	判断模型是否关注目标主体

建议每天只做一件事。不要一开始就追求论文级创新，先让自己能独立复现实验流程。

---

06 实操教程：从 0 跑通一个最小实验

下面的步骤适合 Windows、macOS、Linux。Windows 用户建议使用 Anaconda Prompt 或 PowerShell。

第一步：创建环境

conda create -n cnn-viz python=3.10 -y
conda activate cnn-viz
pip install torch torchvision matplotlib opencv-python ultralytics

如果下载慢，可以换国内镜像，或者先只安装 torch torchvision matplotlib，把 CNN 部分跑通。

第二步：手算一次卷积

新建文件 01_convolution_hand_calc.py，运行：

import numpy as np

image = np.array([
    [1, 2, 1, 0, 1],
    [0, 1, 3, 2, 1],
    [2, 1, 0, 1, 2],
    [1, 0, 2, 3, 1],
    [0, 1, 1, 2, 0],
], dtype=float)

kernel = np.array([
    [1, 0, -1],
    [1, 0, -1],
    [1, 0, -1],
], dtype=float)

patch = image[1:4, 1:4]
value = np.sum(patch * kernel)

print("输入窗口：")
print(patch)
print("卷积核：")
print(kernel)
print("逐项相乘：")
print(patch * kernel)
print("输出格子的值：", value)

你要观察的不是结果有多大，而是这条链路：

输入窗口 -> 权重相乘 -> 求和 -> 输出一个格子

这就是卷积层最基础的计算过程。

第三步：打印 CNN 每层输出尺寸

新建文件 02_print_cnn_feature_shapes.py：

import torch
import torch.nn as nn

model = nn.Sequential(
    nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
    nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1),
    nn.ReLU(),
    nn.MaxPool2d(2),
)

x = torch.randn(1, 3, 224, 224)

for i, layer in enumerate(model):
    x = layer(x)
    print(i, layer.__class__.__name__, tuple(x.shape))

你会看到类似：

0 Conv2d (1, 16, 224, 224)
1 ReLU (1, 16, 224, 224)
2 MaxPool2d (1, 16, 112, 112)
3 Conv2d (1, 32, 112, 112)
4 ReLU (1, 32, 112, 112)
5 MaxPool2d (1, 32, 56, 56)

读法很简单：

通道数从 3 变 16，再变 32，说明模型提取的特征类型变多；空间尺寸从 224 变 112，再变 56，说明模型逐渐压缩空间信息，保留更抽象的模式。

第四步：跑一次 YOLO 检测

准备一张测试图片，比如 test.jpg。

新建文件 03_yolo_predict_quickstart.py：

from ultralytics import YOLO

# 如果你有视频配套或本地训练得到的权重，改成对应 .pt 路径。
model = YOLO("yolo26n.pt")

results = model("test.jpg", save=True, conf=0.25)

for r in results:
    print("检测框数量：", len(r.boxes))
    print("结果保存目录：", r.save_dir)

如果 yolo26n.pt 当前环境不可用，就把它替换成你本机已有的 Ultralytics 权重文件，例如 best.pt、last.pt，或官方可下载的轻量模型权重。

第一次跑通时，重点看 3 件事：

1. 能不能正常加载权重。
2. 输出图里有没有检测框。
3. 置信度阈值 conf 调高或调低后，检测结果如何变化。

---

07 看可视化结果时，重点看什么？

很多同学会把可视化图当“好看的配图”，但科研训练里更重要的是分析。

建议按下面的表格记录：

观察对象	正常现象	异常信号
浅层 feature map	边缘、纹理有响应	全黑、全白、噪声极强
深层 feature map	目标主体附近更明显	背景比目标更亮
Grad-CAM	热区落在目标区域	热区落在水印、边框、背景
检测框	框住主要目标	漏检、小目标偏移、重复框
训练曲线	loss 逐渐下降	loss 不动、剧烈震荡、验证集变差

如果热力图总是关注背景，不要急着换模型。先检查：

1. 数据集是否有偏差，比如所有目标都出现在固定背景。
2. 标注是否准确，框有没有偏移。
3. 图片预处理是否一致，训练和推理尺寸是否匹配。
4. 类别是否不平衡，某些类别样本太少。

这就是可视化的价值：不是为了证明模型很厉害，而是帮助你发现模型到底在哪里偷懒。

---

08 常见问题

1. 为什么卷积后图片变小了？

通常和 kernel_size、stride、padding 有关。步长越大，输出越小；padding 可以在边缘补零，让输出尺寸不至于缩太快。

2. 为什么通道数越来越多？

每个通道可以理解为一种特征响应。越往后，模型需要表达的模式越复杂，所以通道数通常会增加。

3. YOLO 的 Backbone、Neck、Head 必须死记吗？

不需要。先记功能：Backbone 提特征，Neck 融合多尺度，Head 输出框和类别。等你能看懂数据流，再去研究具体模块。

4. 可视化热力图亮的地方一定正确吗？

不一定。热力图只是解释工具，不能替代定量评估。要结合原图、预测结果、错误样本和指标一起看。

5. 科研新手应该先学 CNN 还是 Transformer？

如果你的方向涉及图像检测、分割、医学影像、遥感、工业缺陷，建议先把 CNN 和 YOLO 的基本流程学通。CNN 是理解视觉模型的重要地基。

---

09 一句话总结

深度学习并不是完全不可解释的黑盒。

把一张图片放进 CNN 后，它会经历：

像素输入 -> 卷积乘加 -> 特征图 -> 多层抽象 -> 任务输出

而可视化的意义，就是把这条路径重新摊开，让我们看见模型每一步在处理什么。

如果你是科研小白，别急着追新模型。先做到这 3 件事：

1. 手算一次卷积。
2. 打印每层特征尺寸。
3. 用 YOLO 跑通一次检测，并用热力图分析结果。

能做到这一步，你已经从“调包使用者”迈向“能诊断模型的人”。

---

---

写在最后

学术因方向、个人实验和写作能力以及具体创新内容的不同而无法做到一通百通，关注UP：Ai学术叫叫兽
在所有B站资料中留下联系方式以便在科研之余为家人们答疑解惑，本up主获得过国奖，发表多篇SCI，擅长目标检测领域，拥有多项竞赛经历，拥有软件著作权，核心期刊等经历。
因为经历过所以更懂小白的痛苦！
因为经历过所以更具有指向性的指导！

祝所有科研工作者都能够在自己的领域上更上一层楼！

微信公众号：Ai计算机视觉