一、YOLO初识：目标检测发展史、YOLO系列演进、YOLOv8核心优势、环境搭建与验证

1.1 目标检测：从传统到深度学习

目标检测，说白了就是让计算机在图像里找到物体，并告诉你是「什么」、在「哪里」。我刚开始做这行时，用的还是传统方法——滑动窗口加手工特征，那效率低得让人抓狂。

传统方法大致分三步：

• 区域选择：用滑动窗口遍历整张图，穷举所有可能位置
• 特征提取：HOG、SIFT、Haar 这些手工设计的特征
• 分类器判断：SVM、Adaboost 等做最终决策

你想想看，一张 640×480 的图，滑动窗口要跑几万次，每次还要算特征、跑分类器。我在 2015 年做过一个行人检测项目，用 HOG+SVM，单帧处理时间接近 1 秒，根本没法落地。

转折点出现在 2012 年——AlexNet 在 ImageNet 上一战成名。随后 R-CNN 系列（R-CNN、Fast R-CNN、Faster R-CNN）把深度学习引入目标检测，精度大幅提升。但这类方法有个通病：两阶段——先提候选区域，再分类回归。速度始终是瓶颈。

1.2 YOLO 系列演进：从 v1 到 v8

YOLO（You Only Look Once）的核心思想很简单：把检测当作回归问题，一次前向传播直接输出边界框和类别概率。我至今记得第一次跑 YOLOv1 时的震撼——一张图只要 45 毫秒，比当时的 Faster R-CNN 快了近 10 倍。

版本	发布时间	核心贡献	我的评价
YOLOv1	2016	开创性的一阶段检测范式	想法惊艳，但小目标检测差
YOLOv2	2017	Anchor Box、Batch Normalization	精度提升明显，开始实用
YOLOv3	2018	多尺度预测、Darknet-53	经典之作，至今仍有人用
YOLOv4	2020	Mish 激活、CSPNet、PANet	工程优化集大成者
YOLOv5	2020	PyTorch 实现、模型轻量化	社区最活跃的版本
YOLOv6	2022	美团出品，工业级优化	部署友好，但生态一般
YOLOv7	2022	E-ELAN、重参数化	速度精度双优
YOLOv8	2023	Ultralytics 官方出品，统一框架	本课程首选

为什么我选 YOLOv8 作为课程主力？三个原因：

• 统一框架：检测、分割、分类、姿态估计全在一个库里，不用来回切换
• 开箱即用：pip install 就能跑，数据集格式自动适配
• ONNX 导出友好：官方内置导出工具，踩坑少

1.3 YOLOv8 核心优势详解

YOLOv8 相比前代，有几个关键改进：

1. C2f 模块：取代了 YOLOv5 的 C3 模块，梯度流更丰富，特征提取能力更强
2. Decoupled Head：分类和回归头分离，不再共享参数，精度提升明显
3. Anchor-Free：不再依赖预设的 Anchor Box，简化了后处理
4. Task-Aligned Assigner：正负样本分配策略更合理

我曾经在 YOLOv5 上做过一个工业缺陷检测项目，小目标召回率一直上不去。换成 YOLOv8 后，同样的数据，mAP 直接涨了 3 个点。嗯，这就是架构改进带来的红利。

1.4 环境搭建与验证

这部分我带你一步步来。环境搭建是第一个坑，我见过太多人卡在这一步。

1.4.1 硬件要求

组件	最低要求	推荐配置
GPU	NVIDIA GTX 1060 (6GB)	RTX 3060 或更高
内存	16GB	32GB
硬盘	50GB 空闲	SSD 256GB+
CUDA	11.7	11.8 或 12.1

1.4.2 安装步骤

我个人习惯用 conda 管理环境，干净利落：

# 创建虚拟环境
conda create -n yolov8 python=3.9 -y
conda activate yolov8

# 安装 PyTorch（根据你的 CUDA 版本选择）
# CUDA 11.8
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

# 安装 Ultralytics
pip install ultralytics

# 验证安装
yolo predict model=yolov8n.pt source='https://ultralytics.com/images/bus.jpg'

第一次运行会自动下载模型权重，大概 6MB，很快。如果看到终端输出检测结果，说明环境没问题。

1.4.3 验证代码

写个简单的 Python 脚本验证：

from ultralytics import YOLO

# 加载预训练模型
model = YOLO('yolov8n.pt')

# 预测
results = model('https://ultralytics.com/images/bus.jpg')

# 显示结果
results[0].show()

# 打印检测信息
for box in results[0].boxes:
    print(f'类别: {int(box.cls)}, 置信度: {float(box.conf):.2f}, 坐标: {box.xyxy.tolist()}')

如果能看到图像窗口弹出，并且终端打印出检测框信息，恭喜你——环境搭建成功。

1.5 YOLOv8 知识体系总览

下面这张图概括了本章的核心脉络，也是后续课程的地图：

这张图把本章内容串起来了：从目标检测的发展史出发，看 YOLO 系列如何一步步演进到 v8，再理解 v8 的核心优势，最后动手搭建环境验证。后面的课程都会围绕这个框架展开。