摘要
YOLO（You Only Look Once）作为目标检测领域最经典的one-stage算法，凭借其端到端、实时性高的特点，已成为工业界应用最广泛的检测框架。本文从数学原理出发，逐步推导YOLOv5/v8的核心机制，并提供一个完整的、可直接运行的YOLOv8训练与推理案例。文章覆盖数据准备、模型训练、性能评估、模型导出与部署全流程，所有代码均经过严格测试，确保零错误运行。通过本文，读者能够从零搭建一个可用于实际项目的目标检测系统。
应用场景
YOLO系列模型适用于以下典型场景：
- 工业质检：检测产品表面缺陷（划痕、凹陷、异物）
- 安防监控：行人检测、车辆检测、异常行为识别
- 自动驾驶：车道线检测、交通标志识别、障碍物检测
- 医疗影像：细胞检测、病灶定位
- 农业视觉：果实计数、病虫害检测
- 零售分析：商品识别、货架陈列检测
这些场景的共同要求是：实时性高（30FPS以上）、检测精度可接受（mAP 0.5以上）、模型体积可控（可部署在边缘设备）。
核心原理
1. 检测范式对比
传统两阶段检测器（如Faster R-CNN）先提取候选区域，再对每个区域分类回归。YOLO将其统一为回归问题：将图像划分为SxS网格，每个网格负责预测B个边界框，每个边界框包含5个参数（x, y, w, h, confidence）和C个类别概率。
