1. YOLO前世今生：目标检测发展史与核心思想
大家好，我是你们这门课的老朋友。做计算机视觉这些年，我接触过不少目标检测算法，但要说哪个框架让我印象最深，那一定是YOLO。今天咱们就来聊聊YOLO的前世今生，看看它是怎么一步步走到今天的。
核心观点：YOLO的核心思想就一句话——"You Only Look Once"（你只看一次）。它把目标检测当作一个回归问题，直接从图像像素映射到边界框和类别概率，一步到位。
1.1 目标检测发展史：从传统方法到深度学习
目标检测这事儿，说白了就是让计算机在图像里找到"什么东西在哪儿"。我刚开始做这行的时候，用的还是传统方法，那叫一个费劲。
传统方法时代（2012年以前）
- 滑动窗口 + 手工特征：用不同大小的窗口扫遍整张图，每个窗口提取HOG、SIFT等特征，再用SVM分类。速度慢得让人抓狂。
- DPM（可变形部件模型）：把物体拆成部件来检测，精度有所提升，但计算量依然巨大。
我记得2012年那会儿，用DPM检测一张图要好几秒，而且遇到遮挡就崩。那时候我就在想，这路子是不是走错了？
深度学习时代（2012年至今）
2012年AlexNet在ImageNet上大杀四方，目标检测也迎来了春天。主要分两大流派：
| 流派 | 代表算法 | 核心思路 | 缺点 |
|---|---|---|---|
| 两阶段（Two-Stage） | R-CNN、Fast R-CNN、Faster R-CNN | 先提候选区域，再分类回归 | 速度慢，难以实时 |
| 单阶段（One-Stage） | YOLO、SSD、RetinaNet | 一步到位，直接预测 | 早期小目标检测弱 |
两阶段算法精度高，但速度是硬伤。Faster R-CNN在GPU上也就5-10 FPS，离实时还差得远。这时候YOLO横空出世，直接把速度干到了45 FPS以上。
1.2 YOLOv1到YOLOv8的演进：一场速度与精度的博弈
YOLO的发展史，其实就是不断在速度和精度之间找平衡。我几乎每个版本都用在实际项目里，踩过不少坑，也积累了些经验。
YOLOv1（2016年）——开山之作
- 把图像分成S×S网格，每个网格预测B个边界框和C个类别概率
- 直接回归出边界框坐标和置信度
- 速度45 FPS，但小目标检测差，定位不准
我的经验：YOLOv1在密集小目标场景下基本不能用。我曾经用它检测交通监控里的行人，结果漏检率超过40%。
YOLOv2（2017年）——全面升级
- 引入Batch Normalization，训练更稳定
- 使用Anchor Box（先验框），定位更准
- 多尺度训练，适应不同尺寸目标
- 速度67 FPS，精度提升明显
YOLOv3（2018年）——里程碑
- 使用Darknet-53骨干网络，特征提取更强
- 多尺度预测（3个尺度），小目标检测大幅提升
- 逻辑回归替代softmax，支持多标签分类
- 速度和精度的最佳平衡点
避坑指南：我曾经在嵌入式设备上部署YOLOv3，发现模型太大（约240MB），推理速度只有5 FPS。后来用剪枝和量化才勉强跑到15 FPS。所以选版本一定要考虑部署环境。
YOLOv4（2020年）——集大成者
- CSPDarknet53 + SPP + PANet，特征融合更高效
- Mish激活函数、CIoU损失函数
- Bag of Freebies（免费技巧）：数据增强、正则化等
- 在同等速度下精度超越YOLOv3
YOLOv5（2020年）——工程化典范
- PyTorch实现，易用性极强
- 模型轻量化（n/s/m/l/x版本）
- 自动锚框计算、自适应图片缩放
- 社区活跃，部署生态完善
YOLOv5是我用得最多的版本。为什么？因为它太"省心"了。开箱即用，文档齐全，从训练到部署一条龙。我有个项目从接到需求到上线只用了两周，YOLOv5功不可没。
YOLOv6（2022年）——美团出品
- RepVGG + 解耦检测头
- 工业级优化，推理速度快
- 但社区生态不如YOLOv5
YOLOv7（2022年）——速度之王
- E-ELAN结构，参数效率高
- 重参数化 + 动态标签分配
- 在相同参数量下速度最快
YOLOv8（2023年）——全能选手
- Ultralytics出品，YOLOv5的继承者
- 支持检测、分割、姿态估计、跟踪
- C2f模块 + 解耦头 + Anchor-Free
- 训练更稳定，部署更友好
YOLOv8我最近刚用在一个工业质检项目上。说实话，它的训练收敛速度比YOLOv5快不少，而且小目标检测确实有提升。但模型体积也大了些，部署时要注意。
1.3 YOLO核心思想：You Only Look Once
YOLO这个名字起得真好——"你只看一次"。它跟传统方法最大的区别就是：端到端。
传统方法（比如R-CNN）是这么干的：
- 先生成候选区域（可能有两千个）
- 每个区域缩放到固定大小
- 分别送入CNN分类
- 再用NMS去重
YOLO是这么干的：
- 把图像分成S×S网格
- 每个网格预测B个边界框 + 置信度 + C个类别概率
- 一次前向传播，直接输出结果
- NMS去重
你想想看，YOLO把检测问题变成了一个回归问题。输入一张图，输出一个张量，里面包含了所有目标的位置和类别。这就是"只看一次"的精髓。
YOLO的核心优势：
- 速度快：单次前向传播，没有候选区域生成步骤
- 全局理解：整张图一起看，背景误检少
- 泛化强：学到的是目标的通用特征
当然，YOLO也有缺点。早期版本对小目标不友好，因为网格太粗了。后来通过多尺度预测和更好的特征融合，这个问题才逐步解决。
1.4 YOLO知识体系总览
下面这张图是我自己整理的YOLO知识体系，涵盖了从原理到部署的全链路。你可以把它当作这门课的地图。
1.5 为什么选择YOLO？
做了这么多年视觉项目，我选检测框架的标准其实很简单：
- 速度要快：工业场景大多要求实时，YOLO是唯一能稳定跑在30 FPS以上的
- 部署要方便：YOLOv5/v8的ONNX导出一行命令搞定，OpenCV DNN直接加载
- 社区要活跃：遇到问题能搜到答案，这点YOLO生态做得最好
- 版本要稳定：不要今天一个版本明天一个版本，YOLOv5用了三年依然能打
我的建议：新手入门直接从YOLOv5或YOLOv8开始。别纠结哪个版本最好，先跑起来再说。等你真正理解了YOLO的套路，再回头看v1到v4的，会有不一样的感悟。