摘要
YOLO（You Only Look Once）系列目标检测算法自2015年提出以来，已发展成为工业界最广泛应用的实时目标检测框架。
本文基于Ultralytics YOLOv8/v9/v10统一接口，从核心原理出发，逐步构建一个从数据集准备、模型训练、评估到部署的完整闭环。全文包含可运行的代码、详细的参数解释以及常见陷阱的解决方案，帮助读者在30分钟内完成从理论到实践的跨越。
核心原理
1. 检测范式：回归而非分类
传统目标检测采用“候选区域+分类”的两阶段方法（如Faster R-CNN），而YOLO将检测视为一个端到端的回归问题：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（包含中心坐标、宽高、置信度）和C个类别概率。
2. 损失函数构成
YOLO的损失函数包含三个部分：
- 坐标损失：预测框与真实框的IoU损失（CIoU / DIoU / GIoU）
- 置信度损失：预测框内存在目标的概率（二元交叉熵）
- 分类损失：目标类别的概率分布（交叉熵）
3. 关键改进（以YOLOv8为例）
- Anchor-Free：直接预测边界框的四个偏移量，无需预设锚框
- C2f模块：跨阶段局部网络，增强梯度流动
- Task-Aligned Assigner：基于分类和回归联合质量的标签分配策略
- De
