摘要

YOLO（You Only Look Once）是目标检测领域最主流的单阶段算法，以其端到端、高速度、高精度的特性，广泛应用于工业质检、自动驾驶、安防监控、医疗影像等场景。本文从原理到实战，基于YOLOv8官方框架，提供一套完整的、可直接运行的训练与推理代码，涵盖数据准备、模型训练、评估、导出与部署全流程。所有代码均经过验证，零错误，适合初学者系统入门与进阶开发者快速迁移应用。

应用场景

• 工业缺陷检测：实时定位产品表面划痕、凹陷、异物。
• 自动驾驶：检测车辆、行人、交通标志、车道线。
• 安防监控：人流统计、入侵检测、异常行为识别。
• 医疗影像：细胞计数、病灶区域定位、内窥镜辅助诊断。
• 农业遥感：农作物计数、病虫害识别、无人机巡检。

核心原理

YOLO将目标检测视为回归问题，输入图像经过一个统一神经网络，直接输出边界框坐标、类别概率和置信度。

关键设计：

1. 网格划分：输入图像被划分为S×S网格，每个网格负责预测中心点落在该网格内的目标。
2. 边界框预测：每个网格预测B个边界框，每个框包含(x, y, w, h, confidence)五个值。
3. 类别预测：每个网格预测C个类别概率。
4. 损失函数：由坐标损失、置信度损失、分类损失三部分组成，使用均方误差或交叉熵。
5. 后处理：NMS（非极大值抑制）去除冗余框，保留置信度最高的检测结果。

YOLOv