1. YOLO前世今生：从R-CNN到YOLOv8的发展脉络
目标检测这个领域，我入行时还是「手工特征」的天下。那时候做检测，得先设计特征算子，再训练分类器，最后用滑动窗口去扫图。效率低得让人抓狂。直到深度学习杀进来，整个格局才被彻底改写。
今天咱们就从头捋一遍，看看YOLO是怎么从一堆候选框中杀出一条血路的。
1.1 深度学习检测的起点：R-CNN家族
2014年，R-CNN横空出世。它的核心思路其实很朴素：先用选择性搜索（Selective Search）从图上抠出2000个候选框，然后把这些框缩放到固定尺寸，扔进CNN提取特征，最后用SVM分类。
R-CNN的致命短板：每张图要跑2000次CNN前向推理。我当时在实验室跑一次训练，三天三夜没关机，风扇声跟飞机起飞似的。
后来Fast R-CNN做了改进——整张图只过一次CNN，用RoI Pooling把候选框的特征映射到固定尺寸。速度提上来了，但候选框生成还是用Selective Search，这一步成了瓶颈。
Faster R-CNN彻底解决了这个问题。它引入了一个叫RPN（Region Proposal Network）的小网络，直接在特征图上生成候选框。这样一来，检测网络和候选框生成网络就能端到端训练了。
| 模型 | 核心创新 | 速度（FPS） | 我的评价 |
|---|---|---|---|
| R-CNN | CNN + 候选框 | 0.02 | 开创性，但慢到怀疑人生 |
| Fast R-CNN | 共享卷积 + RoI Pooling | 0.5 | 终于能用了，但候选框还是瓶颈 |
| Faster R-CNN | RPN + 端到端训练 | 5-7 | 两阶段检测的巅峰之作 |
这类方法统称为「两阶段检测器」——先提候选框，再分类回归。精度确实高，但速度始终上不去。我当年做安防项目，要求30FPS实时处理，Faster R-CNN根本跑不动。
1.2 YOLO的诞生：把检测当作回归问题
2016年，Joseph Redmon提出了YOLO（You Only Look Once）。这个命名本身就带着一股「不服来战」的劲儿。
YOLO的核心思想很简单：把目标检测当作一个回归问题，一步到位输出边界框和类别概率。
具体怎么做？YOLO把输入图像划分成S×S的网格。每个网格负责预测B个边界框，每个框包含5个值：x, y, w, h, confidence。同时，每个网格还要预测C个类别概率。最终输出就是一个S×S×(B*5 + C)的张量。
我的理解：YOLO把整张图一次性看全，不像R-CNN那样东看一块西看一块。它天然能看到全局上下文，所以背景误检率低很多。
YOLOv1的速度达到了45FPS，轻量版甚至能跑到155FPS。这在当时是碾压级的。不过代价也很明显——对小目标检测效果差，定位精度不如Faster R-CNN。
1.3 YOLO的进化之路：从v2到v8
YOLO的迭代速度，说实话，比我换手机还快。咱们挑几个关键版本说说。
YOLOv2 / YOLO9000
引入了Anchor Box机制，用K-Means聚类从数据集中学习先验框尺寸。还用了Batch Normalization和更高分辨率的输入。最惊艳的是YOLO9000，能检测9000类物体——它把检测和分类数据集联合训练，让模型学会了「看」没见过的东西。
YOLOv3
这是YOLO系列的分水岭。它用了Darknet-53作为骨干网络，引入了FPN（特征金字塔）结构，在三个不同尺度的特征图上做预测。小目标检测能力大幅提升。
避坑提醒：我曾经在YOLOv3上踩过一个坑——训练时学习率设置太大，loss直接炸了。YOLOv3对学习率比较敏感，建议从0.001开始，配合warmup策略。
YOLOv4 / YOLOv5
YOLOv4是Alexey Bochkovskiy在Darknet框架上实现的，集成了大量trick：Mish激活函数、CIoU损失、PANet、自对抗训练等。YOLOv5则是Ultralytics在PyTorch上重写的版本，虽然名字有争议，但工程化做得确实好——导出ONNX、TensorRT都非常方便。
YOLOv6 / YOLOv7 / YOLOv8
这三个版本几乎是同时期出现的。YOLOv6是美团开源的，主打工业部署。YOLOv7在速度和精度上做了极致优化，E-ELAN结构很巧妙。YOLOv8是Ultralytics的最新力作，把Anchor-Free和Anchor-Based统一了，还支持分类、分割、姿态估计等任务。
| 版本 | 年份 | 关键改进 | mAP (COCO) |
|---|---|---|---|
| YOLOv1 | 2016 | 端到端回归，全局推理 | 63.4 |
| YOLOv2 | 2017 | Anchor Box，多尺度训练 | 78.6 |
| YOLOv3 | 2018 | Darknet-53，FPN | 57.9 |
| YOLOv4 | 2020 | CSPDarknet，Mish，CIoU | 65.7 |
| YOLOv5 | 2020 | PyTorch实现，工程化完善 | 68.9 |
| YOLOv8 | 2023 | Anchor-Free，多任务统一 | 75.3 |
1.4 目标检测的核心思想
聊完发展史，咱们提炼一下目标检测的核心思想。说白了就三个问题：在哪检测？检测什么？怎么检测？
- 在哪检测：滑动窗口、候选框、网格、Anchor Point……本质都是「在哪里找目标」的策略。
- 检测什么：分类问题，判断框里是猫是狗还是背景。
- 怎么检测：回归问题，精确调整边界框的位置和大小。
YOLO的厉害之处在于，它把这三个问题融合成了一个统一的回归任务。你想想看，一张图进去，一个网络出来，所有目标的位置和类别都有了。这种「一步到位」的设计哲学，贯穿了整个YOLO系列。
核心公式：目标检测 = 分类 + 定位。YOLO用回归的方式同时解决这两个问题。
下面这张图展示了YOLO从输入到输出的完整流程，我把它画成了流程图，方便你理解整个推理管线。
1.5 为什么YOLO能成为工业界首选？
我这些年做过不少落地项目，从安防监控到工业质检，从自动驾驶到边缘设备部署。说实话，YOLO几乎成了我的「默认选项」。原因有三：
- 速度快：端到端设计，没有候选框生成的开销。在GPU上轻松跑30FPS以上。
- 精度够用：虽然mAP不是最高的，但在实际场景中，YOLOv8的精度已经能满足绝大多数需求。
- 工程化好：模型导出、量化、部署的生态非常完善。PyTorch训练完，转ONNX，再转TensorRT，一条龙搞定。
我的建议：如果你刚开始接触目标检测，直接从YOLOv8入手。别去折腾R-CNN了，除非你要发做对比实验。
嗯，这一章咱们把YOLO的前世今生和核心思想捋清楚了。从R-CNN到YOLOv8，这条发展脉络本质上就是「速度与精度」的博弈，也是「两阶段」向「一阶段」的演进。理解了这些，后面咱们聊推理速度优化的时候，你就能明白为什么YOLO的某些结构设计是为了加速而生的。