摘要
YOLO（You Only Look Once）系列算法是目标检测领域的里程碑式工作，它将检测任务重构为回归问题，实现了端到端的实时检测。本文从算法原理出发，系统讲解YOLOv5/v8的核心架构，并通过一个完整的工业级案例——零件缺陷检测，展示从数据准备、模型训练到ONNX部署的全流程。所有代码均经过验证，可直接运行，帮助读者建立从理论到落地的完整认知。
应用场景
YOLO系列广泛应用于以下场景：
- 工业质检：PCB板缺陷检测、零件表面划痕识别
- 自动驾驶：车辆、行人、交通标志检测
- 安防监控：入侵检测、人流统计
- 医疗影像：细胞检测、病灶定位
- 农业领域：果实计数、病虫害识别
本文以“金属零件表面缺陷检测”为案例，涵盖划痕、凹坑、毛刺三类缺陷的实时检测。
核心原理
1. 检测范式革命
传统两阶段检测器（如Faster R-CNN）先生成候选区域，再分类回归。YOLO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，以及C个类别概率。输出张量维度为SxSx(B*5+C)。
2. YOLOv5关键组件
- Backbone：CSPDarknet53，通过跨阶段局部网络减少计算量
