摘要
YOLO系列目标检测算法凭借其单阶段、端到端的特性，在工业界和学术界占据核心地位。
本文从零开始，系统梳理YOLO的核心原理与演进脉络，并基于Ultralytics官方库，提供一套从数据准备、模型训练、验证、推理到ONNX导出的完整可运行代码。
文章严格遵循工程落地思维，详细剖析每个步骤的数学逻辑与代码实现，同时给出高频踩坑点的解决方案。全文无冗余配图，所有代码均可直接复制运行，旨在帮助读者在最短时间内掌握YOLO的实战技能。
核心原理
1. 从滑动窗口到Anchor机制
传统检测方法使用滑动窗口在不同尺度上提取特征，计算量巨大。YOLO将输入图像划分为S×S的网格（grid cell）。每个网格负责预测中心点落在该网格内的目标。每个网格预测B个边界框（bounding box），每个框包含5个参数：(x, y, w, h, confidence)，以及C个类别概率。
(x, y)：框中心相对于网格左上角的偏移量，归一化到[0,1]。(w, h)：框的宽高相对于整张图像的比例。confidence：该框包含目标的置信度，定义为Pr(Object) * IoU(pred, truth)。- 每个网格还预测C个条件类别概率
Pr(Class_i | Object)。
最终输出张量形状为：S
