摘要
YOLO（You Only Look Once）是目前工业界应用最广泛的目标检测算法之一，以单阶段检测、端到端推理、实时性高著称。本文从零开始，系统讲解YOLO的核心原理，并提供一套完整可运行的YOLOv8案例代码，涵盖数据准备、模型训练、评估与推理全流程。所有代码基于Ultralytics官方库，兼容Windows/Linux，零配置即可运行。通过本文，读者可掌握YOLO的实战技能，并理解检测任务中的关键避坑点。
核心原理
YOLO将目标检测视为回归问题，直接输出边界框坐标和类别概率。
- 网格划分：输入图像被划分为S×S网格。每个网格负责检测中心点落在该网格内的目标。
- 锚框机制：每个网格预置多个不同尺寸和长宽比的锚框（Anchor Box）。模型预测相对于锚框的偏移量，而非绝对坐标，从而简化回归任务。
- 损失函数：YOLO使用综合损失，包括边界框回归损失（CIoU）、置信度损失（BCE）和分类损失（BCE）。YOLOv8进一步引入TaskAlignedAssigner正样本分配策略，提升训练稳定性。
- 后处理：NMS（非极大值抑制）去除重复检测框，保留置信度最高的预测结果。
YOLOv8相比前代的主要改进：无锚框设计（Anchor-Free）、解耦头（Decoupled Head）、动态标签分配（Dynamic Label Assignment）。这些改进使得模型更易收敛，且在小目标检测上表现更好。<
