1. YOLO 的前世今生：从 v1 到 v8 的演进脉络
YOLO 这个系列，我差不多从 v2 开始跟的。说实话，当年第一次看到 YOLOv1 的，第一反应是——这玩意儿真敢想。把检测当成回归问题来做，一个网络直接输出边界框和类别概率。这在当时几乎是离经叛道的做法。
但效果确实炸裂。45 FPS 的实时检测，让之前那些两阶段方法（R-CNN、Fast R-CNN）显得像老牛拉车。嗯，咱们今天就从头捋一遍，看看 YOLO 是怎么一步步走到今天的。
一句话总结 YOLO 的核心思想：将目标检测视为单一的回归问题，从图像像素直接映射到边界框坐标和类别概率。一个端到端的卷积网络搞定一切。
1.1 YOLOv1：开山之作，敢为人先
YOLOv1 是 2016 年由 Joseph Redmon 提出的。它的做法很简单：把输入图像分成 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。
我记得第一次在项目里试 v1，训练了一个车牌检测模型。收敛速度确实快，但有个问题——小目标基本全漏了。两个物体挨得太近，网格也分不清谁是谁。
| 特性 | YOLOv1 |
|---|---|
| 骨干网络 | GoogLeNet 风格（24 层卷积） |
| 输出方式 | 全连接层直接回归坐标 |
| 网格划分 | 7×7 |
| 每网格预测框数 | 2 个 |
| 速度 | 45 FPS（Titan X） |
| mAP（VOC 2007） | 63.4 |
v1 的硬伤：每个网格只能预测一个类别，小目标检测能力极差。我曾经用它检测密集人群，结果惨不忍睹——人挨着人就只能识别出一个。
1.2 YOLOv2 / YOLO9000：更好，更快，更强
2017 年，v2 来了。这次改进非常大。我个人觉得，v2 才是 YOLO 真正走向实用的起点。
核心改进有这么几个：
- Batch Normalization：训练更稳，收敛更快。我试过不加 BN 的版本，loss 曲线像过山车。
- Anchor Boxes：用 k-means 聚类出先验框，不再直接回归坐标。这招很聪明——让网络学偏移量，比学坐标容易得多。
- Darknet-19：自研骨干网络，19 层卷积 + 5 个 maxpooling。
- 多尺度训练：每 10 个 batch 随机换一次输入尺寸（320~608）。
还有一个不得不提的——YOLO9000。它用 WordTree 把 COCO 和 ImageNet 的标签层级融合，实现了 9000 类别的检测。虽然精度一般，但这个思路在当时非常前卫。
我的经验：v2 的 anchor 聚类一定要用自己的数据集重新算。直接用 COCO 的 anchor 去检测工业零件，效果会差很多。k-means 跑一遍也就几分钟，别偷懒。
1.3 YOLOv3：多尺度检测的里程碑
2018 年，v3 发布。这版我用了整整两年，直到 v5 出来才换掉。为什么？因为它太稳了。
v3 的核心创新：
- Darknet-53：借鉴 ResNet 的残差结构，53 层卷积。比 v2 的 19 层深得多，但速度依然快。
- FPN（特征金字塔）：在 3 个不同尺度上做检测。大尺度（13×13）检测大物体，小尺度（52×52）检测小物体。
- 多标签分类：用 sigmoid 替代 softmax，一个物体可以同时属于多个类别。
说实话，v3 的改进非常务实。FPN 解决了 v1/v2 对小目标不敏感的问题。我在一个遥感图像检测项目里，用 v3 检测建筑物，效果比 v2 提升了将近 12 个点的 mAP。
# YOLOv3 的检测头配置（3 个尺度）
# 每个尺度预测 3 个 anchor
# 输出维度：S × S × [3 × (4 + 1 + C)]
# 4: 边界框坐标 (tx, ty, tw, th)
# 1: 置信度
# C: 类别数
# 以 COCO 80 类为例
# 13×13 尺度：13×13×255
# 26×26 尺度：26×26×255
# 52×52 尺度：52×52×255
1.4 YOLOv4 / v5：工程化的胜利
2020 年是 YOLO 的爆发年。v4 和 v5 几乎同时出现，但出自不同团队。
YOLOv4（Bochkovskiy 等）：
- 把当时所有能用的 trick 都堆上去了：Mish 激活函数、CSPNet、PANet、CIoU Loss、Mosaic 数据增强……
- 训练技巧极其丰富，堪称「炼丹手册」。
- 速度比 v3 快 10%，精度高 10%。
YOLOv5（Ultralytics）：
- 用 PyTorch 实现（v4 是 Darknet），生态更好。
- 模型尺寸分 n/s/m/l/x 五个版本，灵活部署。
- 自动学习率、自动 anchor 计算、W&B 集成……工程化做得极其到位。
我个人更偏爱 v5。为什么？因为开箱即用。v4 的配置项太多，调参能调到头秃。v5 的默认参数就很好，训练一个模型基本不用改什么。
v4 vs v5 怎么选？如果你追求极致精度，愿意花时间调参，选 v4。如果你要快速落地、部署到移动端或边缘设备，选 v5。我在一个安防项目里用 v5s 部署到 Jetson Nano，能做到 30 FPS。
1.5 YOLOv6 / v7 / v8：工业界的持续迭代
2022~2023 年，YOLO 进入了「内卷」阶段。美团、阿里、Ultralytics 各出一版。
| 版本 | 发布方 | 核心创新 | 我的评价 |
|---|---|---|---|
| YOLOv6 | 美团 | RepVGG 重参数化、SimOTA 标签分配 | 工业部署友好，但生态一般 |
| YOLOv7 | Wang 等 | E-ELAN 结构、重参数化、辅助头训练 | 精度很高，但配置复杂 |
| YOLOv8 | Ultralytics | C2f 模块、Anchor-Free 检测头、Task-Aligned 分配 | 目前最均衡的选择 |
v8 是我目前的主力。它去掉了 anchor 机制，改用 anchor-free 检测头。说白了就是每个位置只预测一个框，不再跟 anchor 较劲。训练简单了，部署也简单了。
而且 v8 的生态做得很好：支持分类、检测、分割、姿态估计，一个框架全搞定。我在一个智慧零售项目里，用 v8 同时做商品检测和货架分割，省了不少事。
避坑：v7 虽然精度高，但训练配置非常繁琐。我曾经花了两天时间才把 v7 的训练流程跑通。如果你不是做学术研究，建议直接上 v8。
1.6 演进脉络总览
下面这张图，是我自己整理的 YOLO 演进路线。你可以看到，从 v1 到 v8，核心脉络其实很清晰：
1.7 核心创新点对比
最后，我用一个表格把各版本的核心创新点列出来。方便你以后选版本时快速参考。
| 版本 | 骨干网络 | 检测头 | 损失函数 | 数据增强 | 部署友好度 |
|---|---|---|---|---|---|
| v1 | GoogLeNet 变体 | 全连接回归 | Sum-Squared Error | 基本 | 低 |
| v2 | Darknet-19 | Anchor + 卷积 | SSE + 分类交叉熵 | 多尺度 | 中 |
| v3 | Darknet-53 | FPN 多尺度 | BCE + MSE | 多尺度 | 中 |
| v4 | CSPDarknet-53 | PANet + FPN | CIoU + BCE | Mosaic + MixUp | 中 |
| v5 | CSPDarknet-53 | PANet + FPN | CIoU + BCE | Mosaic + Auto | 高 |
| v6 | EfficientRep | 解耦头 | VariFocal + GIoU | Mosaic | 高 |
| v7 | E-ELAN | 重参数化头 | CIoU + BCE | Mosaic + MixUp | 中 |
| v8 | C2f | Anchor-Free 解耦头 | DFL + CIoU | Mosaic + Auto | 高 |
嗯，以上就是 YOLO 从 v1 到 v8 的完整演进脉络。你会发现，每个版本都在解决前一个版本的痛点。v1 解决了速度问题，v2 解决了精度问题，v3 解决了小目标问题，v4/v5 解决了工程化问题，v6/v7/v8 则在部署和易用性上持续优化。
选哪个版本？我的建议很简单：
- 学术研究：v4 或 v7，trick 多，可玩性高。
- 工业落地：v5 或 v8，生态好，部署快。
- 边缘设备：v5n 或 v8n，模型小，速度快。