摘要

YOLO（You Only Look Once）系列算法是目标检测领域最主流的实时检测框架。
本文以YOLOv8为基线，从算法核心原理、数据集构建、模型训练、推理优化到工程部署，提供一套完整可落地的技术方案。
全文包含一个端到端的行人检测案例，代码可直接运行，并深入剖析训练过程中的常见陷阱与解决方案。适合具备Python基础、希望系统掌握YOLO目标检测技术的开发者。

核心原理

1. 检测范式演进

YOLO将目标检测定义为回归问题，单次前向传播同时输出边界框坐标、类别概率和置信度。相较于两阶段检测器（Faster R-CNN），YOLO的检测速度提升一个数量级。

2. YOLOv8架构要点

YOLOv8由Ultralytics团队开发，核心改进包括：

• C2f模块：替代CSPDarknet中的C3模块，通过梯度流分支增强特征复用
• 解耦检测头：分类与回归分支分离，提升收敛速度
• Anchor-Free机制：直接预测目标中心点与宽高，消除锚框超参数
• TaskAlignedAssigner：正负样本分配策略，综合考虑分类与回归质量

3. 损失函数

YOLOv8采用组合损失：