YOLO（You Only Look Once）作为目标检测领域的里程碑算法，以其端到端的单阶段检测架构实现了实时性与精度的平衡。
本文从数学原理出发，逐步推导YOLOv5/v8的核心机制，包含损失函数推导、Anchor设计、NMS后处理等关键模块。
通过一个完整的工业级案例——口罩佩戴检测，提供从数据集准备、模型训练、量化部署到边缘端推理的全链路代码实现。
所有代码均经过严格测试，可直接运行于Python 3.8+环境，帮助读者建立YOLO实战的完整知识体系。
应用场景
YOLO系列广泛应用于以下工业场景：
- 智慧安防：实时行人检测、异常行为识别
- 自动驾驶：车辆、行人、交通标志检测
- 工业质检：产品表面缺陷检测（划痕、凹陷）
- 医疗影像：细胞检测、病灶定位
- 边缘计算：在Jetson Nano、树莓派等低算力设备上部署
本案例选取口罩佩戴检测场景，覆盖了目标检测的典型痛点：小目标检测（口罩区域）、遮挡处理（手部遮挡）、类别不平衡（未戴口罩样本较少）。
核心原理
1. 单阶段检测范式
YOLO将目标检测重构为回归问题：将输入图像划分为S×S网格，每个网格负责预测B个边界框。每个边界框包含5个参数：(x, y, w, h, confidence) + C个类别概率。其中(x,y)为框中心相对网格的偏移，w,h为相对整图的宽高。
