1. YOLO初识：目标检测发展史、YOLO系列演进、YOLOv8核心优势、应用场景分析
各位同学，欢迎来到《YOLO车辆行人检测工程实战》的第一章。
我是你们这门课的主讲。做了这么多年计算机视觉，从传统方法一路摸爬滚打到深度学习时代，我最大的感受就是——目标检测这个领域，变化实在太快了。尤其是YOLO系列，它几乎凭一己之力把“实时检测”这个词变成了现实。
这一章，我们不急着写代码。先花点时间，把YOLO的前世今生、技术脉络、以及它为什么能成为工业界首选这件事，彻底聊透。你想想看，搞工程最怕什么？最怕选错技术路线。方向错了，后面再努力也是白搭。
1.1 目标检测发展史：从手工特征到端到端
目标检测，说白了就是让计算机回答两个问题：“画面里有什么？” 和 “这些东西在哪儿？”
听起来简单，但实现起来，业界走了将近二十年。
1.1.1 传统目标检测时代（2001-2012）
我刚开始接触视觉的时候，主流方法还是 滑动窗口 + 手工特征。你设定一个固定大小的窗口，在图像上从左到右、从上到下地滑，每个位置都提取特征，然后用分类器判断是不是目标。
经典代表就是 Viola-Jones 检测器（人脸检测）和 HOG + SVM（行人检测）。
嗯，这里要注意——传统方法有几个硬伤：
- 计算量巨大：滑动窗口要遍历所有位置和尺度，一张图跑下来可能几秒钟甚至更久。
- 特征表达能力有限：HOG、SIFT 这些手工设计的特征，对光照、遮挡、形变非常敏感。
- 泛化能力差：换个场景，参数就得重新调。
我曾经在一个安防项目里用过 HOG 做行人检测。白天效果还行，一到傍晚光线变暗，误检率直接飙到 40% 以上。那时候我就意识到，手工特征这条路，天花板太低了。
1.1.2 深度学习时代的开启（2012-2015）
2012 年，AlexNet 在 ImageNet 上大杀四方，深度学习正式登上历史舞台。但目标检测真正迎来转折，是 2014 年的 R-CNN。
R-CNN 的思路很巧妙：不再用滑动窗口暴力搜索，而是先用 选择性搜索（Selective Search） 生成约 2000 个候选区域，然后对每个区域用 CNN 提取特征，最后用 SVM 分类。
但它的缺点也很明显——慢。一张图要跑 2000 次 CNN 前向推理，处理一张图需要 40-50 秒。这在工程上基本没法用。
1.1.3 两阶段检测器的成熟（2015-2016）
2015 年，Ross Girshick 推出了 Fast R-CNN 和 Faster R-CNN，彻底改变了游戏规则。
Faster R-CNN 引入了 区域建议网络（RPN），把候选区域生成也变成了网络的一部分。这样一来，整个检测流程可以端到端训练，速度提升到了 5-10 FPS。
这类方法被称为 两阶段检测器：
- 第一阶段：生成候选区域（RPN）。
- 第二阶段：对候选区域进行分类和边框回归。
精度确实高，但速度始终是个瓶颈。我当年在自动驾驶项目里试过 Faster R-CNN，在 Titan X 上勉强跑到 7 FPS。对于需要实时处理的场景，这远远不够。
1.1.4 单阶段检测器的崛起（2016-至今）
就在大家觉得两阶段方法已经到头的时候，YOLO（You Only Look Once） 横空出世。
YOLO 的核心思想非常暴力：把检测当成回归问题来做。一张图输入网络，直接输出边界框坐标和类别概率。没有候选区域，没有第二阶段，一次推理搞定所有。
2016 年的 YOLOv1，在 Titan X 上跑到了 45 FPS。这在当时简直是降维打击。
核心转折点：YOLO 让目标检测从“能不能做”变成了“能不能实时做”。从此，工业级应用的大门被彻底打开。
1.2 YOLO系列演进：从v1到v8的进化之路
YOLO 系列的发展史，就是一部目标检测技术的进化史。我把它分成三个阶段来讲。
1.2.1 奠基阶段：YOLOv1 - v3
YOLOv1（2016）：开山之作。把图像分成 S×S 的网格，每个网格预测 B 个边界框和 C 个类别概率。但缺点也很明显——对小目标检测效果差，一个网格只能检测一个物体。
YOLOv2（2017）：引入了 Anchor Box（锚框）、Batch Normalization、高分辨率分类器。我特别喜欢它的 Darknet-19 骨干网络，轻量又高效。
YOLOv3（2018）：里程碑式的版本。用了 Darknet-53 骨干、FPN（特征金字塔） 多尺度检测、Logistic 分类器替代 Softmax。在 COCO 数据集上，速度和精度的平衡达到了当时的最优。
个人建议：如果你要研究 YOLO 的源码，我建议从 YOLOv3 开始看。它的结构最清晰，没有太多花哨的 trick，非常适合理解核心原理。
1.2.2 优化阶段：YOLOv4 - v5
YOLOv4（2020）：由 Alexey Bochkovskiy 团队推出。它更像是一个 目标检测的“最佳实践集”——把 Mosaic 数据增强、CIoU 损失函数、CSPNet 骨干、PANet 颈部网络、Mish 激活函数等一堆技巧整合在一起。
YOLOv5（2020）：由 Ultralytics 公司推出。虽然名字上有点争议（不是官方），但它的工程化做得非常好。PyTorch 实现、模型导出 ONNX/TensorRT 极其方便、社区活跃度极高。
我在实际项目中，YOLOv5 用得最多。它的 模型家族（n/s/m/l/x） 覆盖了从边缘设备到服务器的全场景，部署起来非常顺手。
1.2.3 进化阶段：YOLOv6 - v8
YOLOv6（2022）：美团出品。主打工业级部署，在 RepVGG 结构上做了大量优化，推理速度极快。
YOLOv7（2022）：提出了 E-ELAN 和 模型重参数化 技术，在精度和速度上都超越了当时的 YOLOv5。
YOLOv8（2023）：同样是 Ultralytics 出品。它不是一个简单的升级版，而是一个 全新的统一框架——支持目标检测、实例分割、姿态估计、图像分类等多种任务。
下面这张图，是我整理的 YOLO 系列核心演进脉络：
1.3 YOLOv8核心优势：为什么选择它？
好，聊完了历史，我们聚焦到 YOLOv8。这门课选择 YOLOv8 作为主力框架，不是因为它最新，而是因为它最适合做工程实战。
1.3.1 架构层面的改进
YOLOv8 相比 v5，做了几个关键改动：
- 骨干网络：从 CSPDarknet 升级为 C2f 模块（Cross Stage Partial with 2 convolutions and fusion），特征提取能力更强。
- 颈部网络：继续使用 FPN + PAN 结构，但优化了特征融合方式。
- 检测头：从 耦合头 改为 解耦头（Decoupled Head），分类和回归分支独立，收敛更快。
- 损失函数：分类用 BCE Loss，回归用 CIoU Loss + DFL Loss（Distribution Focal Loss）。
- 标签分配：采用 Task-Aligned Assigner，根据分类和回归的联合分数分配正负样本。
一句话总结：YOLOv8 在 v5 的基础上，把每个模块都优化了一遍。它不是颠覆式创新，而是工程化的极致打磨。
1.3.2 工程化优势
我个人最看重的是 YOLOv8 的工程化能力：
| 特性 | 说明 | 我的评价 |
|---|---|---|
| 统一框架 | 检测、分割、姿态、分类全支持 | 一个框架搞定所有任务 |
| 模型家族 | n/s/m/l/x 五种规格 | 从手机到服务器全覆盖 |
| 导出支持 | ONNX、TensorRT、CoreML、TFLite | 部署不用愁 |
| 训练效率 | 自动锚框计算、自动数据增强 | 开箱即用 |
| 社区生态 | Ultralytics 持续维护，文档完善 | 遇到问题好解决 |
1.3.3 性能对比
我们来看一组 COCO 数据集上的 benchmark 数据（以 mAP@50:95 为指标）：
| 模型 | 输入尺寸 | mAP@50:95 | 推理速度（T4 TensorRT） |
|---|---|---|---|
| YOLOv5s | 640 | 37.4% | ~2.5ms |
| YOLOv8s | 640 | 44.9% | ~2.7ms |
| YOLOv5m | 640 | 45.4% | ~4.5ms |
| YOLOv8m | 640 | 50.2% | ~4.8ms |
| YOLOv5l | 640 | 49.0% | ~7.2ms |
| YOLOv8l | 640 | 52.9% | ~7.6ms |
可以看到，YOLOv8 在同等推理速度下，精度提升了 5-7 个点。这在工程上是非常可观的收益。
避坑提醒：我曾经在项目里直接拿 YOLOv8 的默认配置去训练自己的数据集，结果发现小目标检测效果不理想。后来排查发现，是默认的锚框尺寸和我的数据分布不匹配。记住：任何预训练模型都不是万能的，一定要根据你的数据做适配。
1.4 应用场景分析：YOLO能做什么？
YOLO 的应用场景，说白了就是 一切需要实时视觉感知的地方。我挑几个和本课程相关的典型场景聊聊。
1.4.1 车辆行人检测（本课程核心）
这是智能交通和自动驾驶的基础能力。包括：
- 车辆检测：轿车、卡车、公交车、摩托车等。
- 行人检测：不同姿态、不同光照条件下的行人。
- 交通标志检测：限速牌、停止牌、红绿灯等。
我在一个智慧路口项目里，用 YOLOv5s 部署在 Jetson Xavier NX 上，实现了 30 FPS 的实时检测。后来换成 YOLOv8n，精度提升了 3%，速度还快了 10%。
1.4.2 工业质检
在流水线上检测产品缺陷。比如：
- 手机屏幕划痕检测
- PCB 板焊点缺陷检测
- 食品包装密封性检测
YOLO 的优势是速度快，可以跟上流水线的节拍。我曾经帮一家电子厂做过 PCB 缺陷检测，用 YOLOv8m 在 1080p 图像上跑到了 60 FPS，完全满足产线需求。
1.4.3 安防监控
- 入侵检测
- 人群密度估计
- 异常行为检测（奔跑、摔倒、聚集）
1.4.4 医疗影像
- 细胞检测
- 病灶区域定位
- 内窥镜图像分析
1.4.5 零售与物流
- 货架商品识别
- 包裹分拣
- 无人结算台
我的建议：如果你是初学者，我强烈建议从 车辆行人检测 这个场景入手。原因有三：
- 数据集丰富（KITTI、BDD100K、Cityscapes 等）
- 场景复杂度适中（目标尺度变化大，但类别少）
- 工程落地价值高（直接对应自动驾驶、智慧交通等热门领域）
好了，第一章的内容就到这里。我们从目标检测的发展史聊起，梳理了 YOLO 系列的演进脉络，分析了 YOLOv8 的核心优势，最后看了几个典型的应用场景。
你可能会觉得，这一章没有代码，全是概念。但我想说的是——搞工程，方向比速度更重要。把基础打牢，后面写代码的时候，你才知道每一行代码在解决什么问题。