📚 课程目录第4章 YOLO系列发展史

4、YOLO系列发展史：从YOLOv1到YOLOv8的演进、核心创新点对比、各版本适用场景

YOLO 这名字，说白了就是「You Only Look Once」——只看一眼。2015 年它刚出来的时候，整个目标检测圈子都炸了。那时候大家还在用 R-CNN 那套「先提候选框，再逐个分类」的慢路子，YOLO 直接把检测当成回归问题，一个网络跑完，框和类别全出来。

我最早接触 YOLO 是 v2 版本，当时在做一个工厂的实时安全帽检测。说实话，第一版 YOLO 的定位精度确实拉胯，但那个速度……嗯，用过就回不去了。这章咱们就把 YOLO 从 v1 到 v8 的演进捋一遍，看看每个版本到底改了啥，以及它们各自适合什么场景。

  核心认知： YOLO 的演进史，就是「速度与精度」这对矛盾的不断平衡史。每次版本迭代，都在试图用更少的计算量，换更高的 mAP。

4.1 YOLOv1：开山之作，把检测变成回归

v1 的核心思路非常暴力：把输入图片分成 S×S 的网格，每个网格负责预测 B 个边界框和 C 个类别概率。整张图只过一遍网络，直接输出张量。

输入： 448×448，整图 resize
骨干： 24 层卷积 + 2 层全连接，参考 GoogLeNet
输出： 7×7×(2×5 + 20) 的张量（PASCAL VOC）
速度： 45 FPS（Titan X），Fast YOLO 能到 155 FPS

避坑： 我曾经在密集小目标场景（比如人群计数）里硬套 v1，结果惨不忍睹。v1 每个网格最多预测 2 个框，而且对相邻同类目标几乎无解。如果你要检测密集小目标，直接跳过 v1。

v1 的缺点也很明显：定位误差大，召回率低，对小目标不友好。但它证明了「单阶段检测」这条路走得通。

4.2 YOLOv2（YOLO9000）：更好、更快、更强

v2 是我个人觉得「质变」的一代。它引入了几个关键改进，让 YOLO 真正变得实用。

改进点	具体做法	效果
Batch Normalization	每个卷积后加 BN	mAP 提升 2%，去掉 Dropout
高分辨率分类器	先在 448×448 上微调分类网络	mAP 提升 4%
Anchor Boxes	用 K-Means 聚类出 5 种先验框	召回率大幅提升
Darknet-19	19 层卷积 + 5 层 maxpooling	更快的骨干网络
多尺度训练	每 10 个 batch 随机换输入尺寸	适应不同分辨率

你想想看，v1 到 v2，mAP 从 63.4% 涨到 78.6%（VOC 2007），速度还更快。这就是工程优化的魅力。

个人经验： 我在做安防场景的「车辆检测」时，v2 的 Anchor 聚类帮了大忙。默认的 5 个框是针对 VOC 数据集的，我重新对监控视角下的车辆尺寸做了 K-Means 聚类，mAP 直接涨了 3 个点。这个技巧到现在都不过时。

4.3 YOLOv3：多尺度检测，小目标的救星

v3 是 YOLO 系列的一个里程碑。它最大的贡献是引入了 FPN（特征金字塔） 结构，在 3 个不同尺度的特征图上做检测。

# YOLOv3 输出结构示意
# 输入 416×416
# 下采样 32 倍 → 13×13 特征图（检测大目标）
# 上采样 + 拼接 → 26×26 特征图（检测中目标）
# 上采样 + 拼接 → 52×52 特征图（检测小目标）

为什么会这样设计？因为浅层特征图分辨率高，感受野小，适合小目标；深层特征图语义强，适合大目标。v3 把两者结合起来，效果立竿见影。

骨干网络： Darknet-53，用了残差连接，比 ResNet-152 更快
分类器： 用 Logistic 替代 Softmax，支持多标签分类
Anchor： 9 个框，每个尺度 3 个
速度： 在 Titan X 上 30 FPS，mAP 57.9%（COCO）

  适用场景： v3 是「万金油」版本。安防监控、工业质检、自动驾驶，只要不是极端资源受限的场景，v3 都能打。我在一个智慧工地项目里用 v3 检测「未戴安全帽」和「区域入侵」，稳定跑了两年没换。

4.4 YOLOv4：集大成者，工程优化的巅峰

v4 不是原作者 Joseph Redmon 做的，而是 Alexey Bochkovskiy 接手后的作品。它把当时所有能用的「tricks」几乎全塞进去了。

模块	技术	作用
Backbone	CSPDarknet-53	减少计算量，增强梯度传播
Neck	SPP + PANet	SPP 增加感受野，PANet 增强特征融合
Head	YOLOv3 的检测头	沿用多尺度检测
Bag of Freebies	Mosaic 数据增强、Label Smoothing、CIoU Loss	不增加推理成本，提升精度
Bag of Specials	Mish 激活函数、DropBlock、SAM	少量增加计算量，大幅提升精度

v4 在 COCO 上达到了 43.5% mAP（AP₅₀ 65.7%），速度 65 FPS（Titan X）。这个精度速度平衡，在当时是天花板级别的。

注意： v4 的训练配置非常敏感。我曾经在复现时，Mosaic 数据增强的拼接比例没调好，导致模型对小目标的检测反而下降了。建议先用官方默认参数跑通，再逐步调优。

4.5 YOLOv5：争议最大，但生态最好

v5 是 Ultralytics 出的，不是官方版本。但说实话，它是目前工业界用得最广的 YOLO 版本。

模型系列： n/s/m/l/x，从 1.9M 到 86.7M 参数
核心改进： 自适应 Anchor、Focus 结构、CSP 改进
工程化： PyTorch 原生，导出 ONNX/TensorRT 极其方便
速度： YOLOv5s 在 640×640 下 140 FPS（V100）

我的选择： 如果项目需要快速落地，我首选 YOLOv5。它的文档、社区、预训练模型、部署工具链是最完整的。我在边缘设备（Jetson Nano）上部署过 YOLOv5s，配合 TensorRT，能做到 30 FPS 实时检测。

4.6 YOLOv6 & YOLOv7：工业界的进一步优化

v6 是美团出的，主打工业部署。v7 则是原作者团队（YOLOv4 作者）的后续作品，在精度和速度上又刷了一波榜。

版本	核心创新	亮点
YOLOv6	RepVGG 风格的 Backbone、SimOTA 标签分配	推理速度快，适合 CPU/移动端
YOLOv7	E-ELAN 结构、重参数化、辅助训练头	AP 50.2%（COCO），速度 161 FPS

v7 在 2022 年发布时，是当时精度最高的实时检测器。但说实话，v7 的代码结构比 v5 复杂，二次开发门槛稍高。

4.7 YOLOv8：当前最推荐的版本

v8 也是 Ultralytics 出的，2023 年初发布。它不是一个简单的升级，而是把检测、分割、分类、姿态估计全整合到了一个框架里。

Backbone： 改进的 CSPDarknet，引入 C2f 模块（比 C3 更高效）
Head： 解耦头（Decoupled Head），分类和回归分开
Loss： 结合了 Distribution Focal Loss 和 CIoU
Anchor-Free： 不再依赖 Anchor，简化设计
模型系列： n/s/m/l/x，覆盖从移动端到云端

  为什么推荐 v8？ 精度比 v5 高 3-5 个点，速度几乎不变。而且它的 API 设计非常友好，训练、验证、预测、导出一条龙。我现在所有新项目都直接用 v8 起步。

4.8 各版本适用场景速查

下面这张表是我自己整理的，方便你根据项目需求快速选型。

场景	推荐版本	理由
移动端/嵌入式	YOLOv5n / YOLOv8n	模型小，速度快，支持 NCNN/TNN
安防实时监控	YOLOv8m / YOLOv5m	精度速度均衡，支持多路流
自动驾驶	YOLOv8x / YOLOv7	高精度，多尺度检测强
工业质检	YOLOv5l / YOLOv8l	小目标检测好，可定制 Anchor
快速原型验证	YOLOv8n	训练快，导出方便，社区活跃

4.9 核心创新点对比总览

我把每个版本最关键的创新点整理成了一张图，方便你对照理解。

4.10 我的选型建议

说了这么多，到底该用哪个？我个人的经验是：

新项目起步： 无脑选 YOLOv8。精度高、生态好、文档全。
已有 v5 项目维护： 别急着升。v5 足够稳定，除非你需要 v8 的新特性（比如实例分割）。
资源极度受限： YOLOv5n 或 YOLOv8n，配合 TensorRT 量化，能在树莓派上跑 15 FPS。
学术研究： 可以看看 v6 和 v7 的，里面有很多值得借鉴的模块设计思路。

一个小技巧： 不管选哪个版本，先用官方预训练权重在自己的数据集上跑一遍 baseline。YOLO 的迁移学习能力很强，哪怕只有几百张图片，也能快速收敛。我见过太多人一上来就自己从头训练，结果效果还不如直接 finetune。

嗯，YOLO 的发展史就聊到这儿。从 v1 到 v8，8 年时间，目标检测的精度从 63% 涨到了 53%（COCO AP），速度从 45 FPS 飙到了 160+ FPS。这个演进速度，在 CV 领域是独一份的。