摘要
YOLO（You Only Look Once）系列目标检测算法自2015年提出以来，凭借其端到端、单阶段、高速度的核心特性，已成为工业界和学术界最广泛使用的目标检测框架。本文从算法原理出发，系统梳理YOLOv1至YOLOv8的技术演进脉络，重点剖析YOLOv5的架构设计与训练推理流程。通过一个完整的车辆检测案例，提供从数据集准备、模型训练、性能评估到ONNX部署的全链路可运行代码。文章严格遵循理工科逻辑，所有代码经过验证，旨在帮助读者构建从理论到工程落地的完整知识体系。
应用场景
YOLO系列在以下场景中具有显著优势：
- 实时视频监控：智能安防、人流统计、车辆检测，要求单帧处理时间小于30ms。
- 自动驾驶感知：车辆、行人、交通标志的实时检测，需要高帧率与中等精度。
- 工业质检：流水线上的缺陷检测，要求模型轻量、部署方便。
- 边缘计算设备：在树莓派、Jetson Nano等低算力设备上运行，YOLOv5s或YOLOv8n是首选。
- 遥感图像分析：卫星图像中的目标检测，YOLO的Anchor设计可适应多尺度目标。
核心原理
1. YOLO的设计哲学
YOLO将目标检测视为一个回归问题，将图像划分为S×S的网格。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)。其中(x,y)是边界框中心相对于网格的偏移，w和h是相对于整张图像的宽高，confidence是置
