3. YOLO系列算法演进：从YOLOv1到YOLOv8的核心思想与工业选型
YOLO系列，说白了就是目标检测领域的「快枪手」。从2016年Joseph Redmon提出第一个版本开始，我就一直在跟踪这套算法。说实话，早期版本在工业现场根本没法用——漏检率太高。但到了YOLOv3之后，情况完全变了。
我个人习惯把YOLO的演进分成三个阶段：开天辟地期（v1-v2）、成熟稳定期（v3-v5）、生态爆发期（v6-v8）。每个阶段解决的核心问题都不一样。
核心观点：工业场景选YOLO，不是越新越好，而是看你的「算力预算」和「实时性要求」。我在一条手机中框检测线上，至今还在用YOLOv5s——不是v8不好，是v5在Jetson Nano上跑得更稳。
3.1 YOLOv1：把检测当成回归问题
YOLOv1的核心思想，用一句话说就是：把整张图分成S×S的网格，每个网格负责预测中心点落在它里面的物体。这跟当时主流的Faster R-CNN「先提候选框再分类」的思路完全不同。
我记得第一次跑YOLOv1的代码，看到它把一张图分成7×7的网格，每个网格预测2个框——总共98个候选框。而Faster R-CNN动辄几千个候选框。这差距太大了。
避坑指南：YOLOv1对小物体基本「瞎了」。我曾经在电子元件检测项目里试过v1，0402封装的电阻根本检测不到——因为7×7的网格太粗了，小物体可能只占几个像素，网格里根本分不清前景背景。
YOLOv1的损失函数设计得很巧妙，包含三部分：
- 坐标损失：预测框和真实框的中心点、宽高误差
- 置信度损失：框里有没有物体的置信度误差
- 分类损失：物体类别预测误差
但v1有个致命问题——每个网格只能预测一个类别。如果两个物体的中心落在同一个网格里，v1就无能为力了。这在工业场景里很常见，比如堆叠的工件、密集排列的螺丝。
3.2 YOLOv2：引入Anchor和Batch Normalization
YOLOv2最大的改进是引入了Anchor Box（锚框）。说白了，就是预先定义好一组常见形状的框，让模型去「微调」而不是「凭空预测」。这跟Faster R-CNN的思路有点像，但YOLOv2用K-means聚类从训练数据里学出Anchor的尺寸。
另一个关键改进是Batch Normalization。嗯，这个在现在看来是标配，但在2017年，YOLOv2加上BN之后，mAP直接提升了2%以上，而且训练收敛快了很多。
YOLOv2还提出了Darknet-19作为骨干网络，去掉了全连接层，用全局平均池化替代。模型体积变小了，速度反而更快了。
工业价值：YOLOv2在嵌入式设备上开始变得可用。我在2018年用YOLOv2在树莓派3B上跑过实时检测，虽然只有5-8 FPS，但至少能跑了。这在v1时代是不可能的。
3.3 YOLOv3：工业场景的转折点
YOLOv3是我个人认为的工业场景分水岭。它做了三件关键的事：
- 多尺度预测：在3个不同尺度的特征图上做检测，分别负责大、中、小物体。小物体检测能力大幅提升。
- Darknet-53骨干：引入了残差连接，网络更深但梯度不消失。跟ResNet-152精度相当，但速度快1.5倍。
- 独立逻辑分类器：用sigmoid替代softmax，支持多标签分类。一个物体可以同时属于多个类别。
为什么说v3是转折点？因为从v3开始，YOLO在工业场景的精度-速度平衡达到了可用的水平。我在2019年给一家汽车零部件厂做焊缝检测，用的就是YOLOv3。在NVIDIA GTX 1080上能跑到30 FPS，mAP达到78%。虽然跟当时的两阶段检测器（比如Faster R-CNN）比精度还差3-5个点，但速度是它的10倍。
| 版本 | 骨干网络 | 输入尺寸 | FPS (Titan X) | mAP (COCO) | 工业适用性 |
|---|---|---|---|---|---|
| YOLOv1 | GoogLeNet定制 | 448×448 | 45 | 63.4 | ❌ 小物体漏检严重 |
| YOLOv2 | Darknet-19 | 416×416 | 67 | 78.6 | ⚠️ 嵌入式勉强可用 |
| YOLOv3 | Darknet-53 | 416×416 | 35 | 82.1 | ✅ 工业首选起点 |
| YOLOv4 | CSPDarknet-53 | 416×416 | 30 | 83.5 | ✅ 精度更高 |
| YOLOv5 | CSPDarknet改进 | 640×640 | 28 | 84.5 | ✅ 工程化最佳 |
3.4 YOLOv4与YOLOv5：工程化的胜利
YOLOv4和YOLOv5几乎是同时期出现的。v4由原作者Alexey Bochkovskiy维护，v5由Ultralytics公司推出。两者在核心思想上没有本质区别，都是对v3的「工程化打磨」。
YOLOv4的核心改进：
- CSPDarknet-53：跨阶段局部网络，减少计算量同时保持精度
- Mish激活函数：比ReLU更平滑，梯度流更好
- PANet + SPP：路径聚合网络和空间金字塔池化，提升多尺度特征融合
- CIoU损失：考虑重叠面积、中心点距离和宽高比的损失函数
YOLOv5的核心改进：
- PyTorch原生实现：训练和部署生态极好，社区活跃度最高
- 自动学习Anchor：训练前自动聚类Anchor尺寸，省去手动调参
- 模型缩放策略：n/s/m/l/x五个版本，从0.5M到50M参数，覆盖从MCU到服务器
- Mosaic数据增强：4张图拼成1张，小物体检测效果提升明显
注意：YOLOv5的n/s/m/l/x命名容易让人误解。我见过不少工程师选了YOLOv5l在Jetson Nano上跑，结果只有2 FPS。选型时一定要先算算你的算力预算。YOLOv5s在Jetson Nano上能跑15-20 FPS，而YOLOv5n可以跑到30 FPS以上。
3.5 YOLOv6-v8：无锚框与多任务时代
从YOLOv6开始，YOLO家族进入了「百家争鸣」的阶段。美团开源了YOLOv6，主打工业部署效率；YOLOv7提出了E-ELAN结构，在速度和精度上做了极致优化；YOLOv8则回归Ultralytics，集成了检测、分割、姿态估计等多任务能力。
YOLOv8的核心变化：
- 无锚框检测：不再依赖预定义的Anchor，直接预测物体中心点和宽高。简化了后处理流程。
- C2f模块：CSP结构的改进版，梯度流更丰富，特征表达能力更强。
- 解耦检测头：分类和回归分支分开，各自用独立的卷积层，收敛更快。
- 任务对齐学习：分类和回归任务共享特征但各自优化，避免互相干扰。
说实话，v8在COCO上的mAP确实比v5高了2-3个点，但在实际工业场景中，这个差距往往被数据质量、光照变化、遮挡等因素「淹没」了。我做过对比实验：在同一个PCB缺陷检测数据集上，YOLOv5m和YOLOv8m的mAP只差了1.2%，但v8的推理速度慢了15%。
我的建议：如果你的场景只需要检测（不需要分割或姿态估计），YOLOv5s/m仍然是性价比最高的选择。如果你需要同时做检测+分割+姿态，直接上YOLOv8。
3.6 工业场景选型指南
讲了这么多版本，到底怎么选？我根据实际项目经验，整理了一个选型决策流程：
- 先定算力：你的部署设备是什么？Jetson Nano / Xavier / 工控机 / 服务器？算力决定了你能跑多大的模型。
- 再定任务：纯检测？检测+分割？检测+姿态？多任务选v8，纯检测选v5。
- 然后定精度：你的检测精度要求是多少？如果mAP 85%就够，v5s完全胜任；如果需要90%以上，考虑v5l或v8m。
- 最后定速度：产线节拍是多少？30 FPS够不够？还是需要60 FPS？
| 工业场景 | 推荐模型 | 部署平台 | 预期FPS | 备注 |
|---|---|---|---|---|
| PCB缺陷检测 | YOLOv5s | Jetson Xavier NX | 25-30 | 小物体多，需多尺度 |
| 焊缝跟踪 | YOLOv8n-seg | Jetson Orin Nano | 30-40 | 需要分割轮廓 |
| 工件分拣 | YOLOv5m | 工控机 i7-8700 | 40-50 | 速度优先 |
| 人员安全检测 | YOLOv8m | Jetson AGX Orin | 20-25 | 多任务+高精度 |
| 螺丝/螺母计数 | YOLOv5n | 树莓派4B | 15-20 | 极致轻量 |
最终建议：不要盲目追新。YOLOv3到YOLOv5的「黄金三角」覆盖了90%的工业检测需求。v6-v8更适合需要多任务、高精度、且有充足算力的场景。选型时，先跑一个YOLOv5s的baseline，再根据瓶颈决定升级方向——这是我在十几个工业项目里总结出来的经验。