摘要
YOLO（You Only Look Once）是目标检测领域最主流的单阶段算法系列，以其极致的速度-精度平衡成为工业部署首选。本文从YOLOv8出发，覆盖从原理推导、环境搭建、数据准备、模型训练、推理部署到性能调优的全流程。所有代码均基于Ultralytics官方库，提供完整可运行的训练与推理脚本，并针对常见陷阱给出解决方案。读者完成本文后，应能独立完成一个自定义目标检测项目的全生命周期。
应用场景
- 工业质检：实时检测产品表面缺陷（划痕、凹陷、异物）
- 智慧交通：车辆、行人、交通标志检测
- 安防监控：入侵检测、人群密度估计
- 农业遥感：农作物计数、病虫害识别
- 医疗影像：细胞检测、病灶定位
- 自动驾驶：多类别障碍物检测
以上场景的共同需求：高实时性（FPS>30）、中等精度（mAP>0.7）、小模型体积（<50MB）以适应边缘设备。
核心原理
YOLO将目标检测视为回归问题，核心思想是：
- 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（bbox）及其置信度
- 每个网格同时预测C个类别的概率
- 输出张量形状为S×S×(B×5+C)
以YOLOv8为例的关键改进：
- Anchor-Free：直接预测bbox中心点偏移和宽高，无需预设锚框
- C2f模块：跨阶段部分连接（
