摘要
YOLO（You Only Look Once）系列目标检测算法凭借其单阶段检测、实时推理与高精度平衡的特性，已成为工业界与学术界最广泛应用的视觉检测框架。本文以理工科严谨逻辑，从YOLO核心原理出发，系统讲解其网络架构、损失函数与训练策略。提供一套基于Ultralytics YOLOv8的完整可运行代码，覆盖数据集准备、模型训练、评估、推理与ONNX部署全流程。深入分析常见训练陷阱与调优方法论，帮助读者构建从理论到工程落地的完整知识体系。
核心原理
1. 单阶段检测范式
YOLO将目标检测重新定义为回归问题。输入图像经过单一神经网络，直接输出边界框坐标、类别概率与置信度。与两阶段检测器（如Faster R-CNN）相比，YOLO省略了区域提议网络（RPN），实现端到端实时推理。
2. 网格划分与锚点机制
YOLO将输入图像划分为S×S网格。每个网格负责检测中心点落在该网格内的目标。每个网格预测B个边界框，每个边界框包含5个参数：x, y, w, h, confidence。其中(x, y)为边界框中心相对于网格的偏移量，(w, h)为相对于整张图像的宽高比，confidence为预测框与真实框的IoU乘以存在目标的概率。
现代YOLO（v5/v8）引入锚点机制，通过K-means聚类训练数据中的真实框尺寸，预设一组先验锚点框。模型预测的是相对于锚点框的偏移量，加速收敛并提升小目标检测能力。
3. 网络架构演进
YOLOv8采用CSPDa
