1. YOLO前世今生：目标检测发展史与核心思想
大家好，我是你们这门课的主讲。今天咱们聊聊YOLO——这个在嵌入式视觉圈里几乎无人不知的名字。
说实话，我第一次接触YOLO是在2016年。那时候我还在做传统的目标检测，用HOG+SVM跑行人检测，一帧图像要处理几百毫秒。后来看到YOLOv1的，第一反应是：这玩意儿靠谱吗？结果一跑，嗯，真香。
1.1 目标检测的“史前时代”
在YOLO出现之前，目标检测走过了两条技术路线。我简单梳理一下，你心里就有谱了。
| 阶段 | 代表方法 | 核心思路 | 我遇到的坑 |
|---|---|---|---|
| 传统方法 | HOG+SVM、DPM | 手工特征 + 滑动窗口 | 速度慢，泛化差 |
| 两阶段检测 | R-CNN、Fast R-CNN、Faster R-CNN | 先提候选框，再分类回归 | 精度高，但实时性不够 |
| 单阶段检测 | YOLO、SSD | 一步到位，直接回归 | 速度起飞，精度后来追上 |
传统方法我就不多说了，现在基本没人用了。两阶段检测里，Faster R-CNN在2015年是个里程碑——它用RPN网络替代了Selective Search，真正实现了端到端训练。但问题也很明显：在GPU上跑也就5-10 FPS，放到嵌入式设备上？想都别想。
关键转折点：2016年，Joseph Redmon提出了YOLOv1。它的口号是“You Only Look Once”——只看一次，就能知道图像里有什么、在哪里。这个思路彻底改变了目标检测的游戏规则。
1.2 YOLO核心思想：为什么“只看一次”就够了？
YOLO的核心思想，说白了就是把目标检测当成一个回归问题来处理。
你想想看，传统方法是怎么做的？先提取候选区域，再对每个区域做分类。这就像你找东西，先圈出几个可能的位置，再一个个仔细看。YOLO呢？它直接把整张图喂进网络，一次前向传播，同时输出所有目标的类别和位置。
具体来说，YOLO做了三件事：
- 划分网格：把输入图像分成S×S的网格。每个网格负责检测中心点落在它里面的目标。
- 预测张量：每个网格输出B个边界框（每个框包含x, y, w, h, confidence）和C个类别概率。
- 非极大抑制：用NMS去掉重复的检测框，保留最靠谱的那个。
我在做嵌入式移植时，最深的体会是：YOLO的“单次推理”特性太适合硬件加速了。你不需要复杂的后处理流水线，一个模型推理完，直接拿结果就行。
我的经验：YOLO的网格大小直接影响检测精度和速度的平衡。在嵌入式设备上，我通常把S设为7或13，B设为2。再大，算力就扛不住了。
1.3 YOLOv1到YOLOv8：八年进化史
从2016到2024，YOLO家族经历了八代更迭。我挑几个关键版本说说，你感受一下这个演进脉络。
我重点说说几个版本的实际体验：
- YOLOv1：45 FPS，但定位不准，小目标基本漏检。我在一个交通标志项目里试过，路牌稍微远一点就检测不到。
- YOLOv3：这是我最喜欢的版本之一。多尺度预测让小目标检测好了很多。我在安防项目里用v3跑人车检测，效果比v1强了不止一个档次。
- YOLOv5：工程化做得最好。PyTorch生态，导出ONNX、TensorRT都很方便。我现在做嵌入式部署，首选就是v5。
- YOLOv8：2023年Ultralytics推出的全能框架。支持检测、分割、姿态估计、分类。但说实话，在嵌入式设备上，我目前还是用v5更多——v8的模型太大了。
避坑指南：我曾经在一个项目中直接拿YOLOv8替换v5，结果在Jetson Nano上推理速度从30 FPS掉到了12 FPS。后来发现v8的模型参数量是v5的2倍多。所以选版本一定要看你的硬件平台。
1.4 为什么YOLO适合嵌入式实时检测？
这个问题我经常被问到。其实原因很简单：
- 单次推理：不需要候选框提取、特征重计算等复杂流水线，一次前向传播搞定所有。
- 端到端训练：损失函数直接优化检测精度，不需要分阶段训练。
- 模型轻量化：YOLO的骨干网络（如CSPDarknet）设计时就考虑了计算效率。
- 硬件友好：卷积操作占主导，非常适合GPU/NPU加速。
我在RK3588上部署YOLOv5s，用NPU推理可以达到60 FPS以上。这个性能在安防、工业检测、自动驾驶等场景里完全够用。
我的建议：如果你是第一次在嵌入式设备上跑YOLO，先从YOLOv5s或YOLOv5n开始。这两个模型在精度和速度之间取得了很好的平衡。等跑通了，再尝试v8或者自己魔改。
1.5 本章小结
好了，这一章我们聊了YOLO的前世今生。从传统方法到两阶段检测，再到YOLO的“只看一次”思想，最后到v1到v8的演进脉络。你心里应该有个大致的框架了。