1. YOLO初探：目标检测任务概述、YOLO发展史与核心思想
1.1 目标检测到底在做什么？
先问个问题：图像分类和目标检测，区别在哪？
图像分类，就是给一张图打标签——"这是一只猫"。而目标检测，不仅要回答"这是什么"，还要回答"它在哪里"。说白了，检测 = 分类 + 定位。
我刚开始接触这个领域时，觉得不就是多画个框嘛。后来才发现，这个"框"才是真正的难点。一张图里可能有多个物体，大小不一，相互遮挡，背景复杂。你要同时预测出每个物体的类别和位置，这比单纯分类难了一个量级。
- 每个目标的类别标签（如：人、车、狗）
- 每个目标的边界框（Bounding Box，通常用 (x, y, w, h) 表示）
- 每个目标的置信度分数（模型对这个预测有多确定）
举个例子。一张街景图，检测模型会输出：行人A在(120, 340)处，置信度0.95；汽车B在(560, 200)处，置信度0.88。这就是目标检测的"标准答案"。
1.2 从v1到v8：YOLO的进化之路
YOLO的历史，我把它分成三个阶段。每个阶段都有标志性的突破。
| 版本 | 发布时间 | 核心贡献 | 我的评价 |
|---|---|---|---|
| YOLOv1 | 2016 | 首次提出"单阶段检测"思想 | 开山之作，但精度一般 |
| YOLOv2 | 2017 | 引入Anchor Box、Batch Normalization | 稳定了训练，速度更快 |
| YOLOv3 | 2018 | 多尺度预测、Darknet-53骨干 | 真正能用的版本，我项目里用了很久 |
| YOLOv4 | 2020 | Bag of Freebies、CSPDarknet | 工程优化集大成者 |
| YOLOv5 | 2020 | PyTorch实现、更易用 | 社区最活跃，入门首选 |
| YOLOv6/v7 | 2022 | 工业级优化、重参数化 | 部署友好，但生态不如v5 |
| YOLOv8 | 2023 | 统一框架、支持检测/分割/姿态 | 目前最推荐的新项目起点 |
我记得2018年做第一个检测项目时，用的就是YOLOv3。当时在GPU上跑30 FPS，觉得已经很快了。现在回头看，v8在同样硬件上能跑到100+ FPS，精度还更高。技术迭代就是这么残酷。
1.3 YOLO的核心思想：You Only Look Once
YOLO这个名字，直译就是"你只看一次"。这恰恰点出了它和传统方法的本质区别。
在YOLO出现之前，主流方法是R-CNN系列。它们怎么做？先找出可能包含物体的区域（候选框），然后对每个区域单独做分类。你想想看，一张图可能要生成2000个候选框，每个框都要过一遍分类网络。速度能快才怪。
YOLO的思路完全不同。它把检测当作一个回归问题来处理。一张图输入网络，直接输出所有目标的类别和位置。一次前向传播，搞定所有事情。
- 将输入图片划分为 S×S 的网格（如 7×7）
- 每个网格负责预测 B 个边界框（如 2 个）
- 每个边界框输出：x, y, w, h, confidence
- 每个网格还预测 C 个类别概率
- 最终输出张量形状：S × S × (B*5 + C)
说白了，YOLO把整个检测任务压缩成了一个端到端的神经网络。没有候选区域生成，没有特征重采样，没有多阶段流水线。就是"图进去，框出来"。
我曾经在给团队培训时画过一张图，把YOLO和Faster R-CNN的流程对比了一下。YOLO的简洁性一目了然。
1.4 为什么YOLO能这么快？
YOLO的速度优势，根源在于它的单阶段设计。但具体到实现层面，有几个关键设计值得注意。
- 网格化预测：把图片分成网格，每个网格只负责自己区域内的目标。这相当于把全局问题分解成了局部问题，计算量大幅降低。
- 全局上下文：YOLO在预测时能看到整张图，不像滑动窗口方法只能看到局部。这意味着它不容易被背景干扰。
- 端到端训练：整个网络可以联合优化，不需要分阶段训练。损失函数直接衡量检测质量。
1.5 YOLO的损失函数长什么样？
YOLO的损失函数，我当年看时觉得挺复杂。其实拆开来看，就三部分。
# YOLO损失函数（简化版）
Loss = λ_coord * 定位损失 + λ_obj * 置信度损失 + λ_cls * 分类损失
# 定位损失：预测框和真实框的坐标差异（MSE）
定位损失 = Σ (x_pred - x_true)² + (y_pred - y_true)² + (w_pred - w_true)² + (h_pred - h_true)²
# 置信度损失：预测框是否有目标的置信度差异
置信度损失 = Σ (confidence_pred - IoU)²
# 分类损失：预测类别和真实类别的差异
分类损失 = Σ (p_pred(c) - p_true(c))²这里有个细节：定位损失的权重 λ_coord 通常设得比较大（比如5），因为坐标预测的准确性直接影响检测效果。而置信度损失中，没有目标的网格权重 λ_noobj 设得比较小（比如0.5），因为大部分网格都是背景。
嗯，这个权重设计其实挺讲究的。我刚开始调参时，直接把所有权重设成1，结果模型疯狂预测背景框。后来才明白，背景网格远多于前景网格，必须压低它们的权重。
1.6 本章小结
这一章我们走马观花地看了YOLO的全貌。从目标检测的基本任务，到YOLO家族的发展脉络，再到它"只看一次"的核心思想。你可能会觉得信息量有点大，没关系，后面每一章都会把这些概念掰开揉碎了讲。
记住一句话就够了：YOLO把目标检测变成了一个回归问题，用一次前向传播同时预测所有目标的类别和位置。 这是它快的原因，也是它优雅的地方。