YOLO（You Only Look Once）是一种实时目标检测算法，由Joseph Redmon等人在2016年首次提出。其核心思想是将目标检测任务转化为单次回归问题，直接在图像上预测边界框和类别概率，从而实现高效且快速的检测。在YOLOv1提出之前，R-CNN系列算法在目标检测领域中独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。SSD中锚框大量重叠，因此浪费了很多计算。YOLO是一种单阶段（one-stage）的目标检测网络，它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。

1.YOLO算法特点

1. 单阶段检测：YOLO将目标检测任务统一为一个端到端的回归问题，无需复杂的区域提议步骤（如R-CNN系列的两阶段检测）。

2. 实时性高：YOLO的推理速度极快，适合实时应用（如视频监控、自动驾驶）。

3. 全局上下文理解：由于直接处理整张图像，YOLO能够更好地利用全局信息，减少背景误检。

2.YOLO算法核心思想

        把目标检测转变为一个回归问题，利用整张图片作为网络的输入，通过神经网络，得到边界框的位置及其所属的类别。YOLO系列算法的步骤：

        （1）划分图像：YOLO将输入图像划分为一个固定大小的网格。

        （2）预测边界框和类别：对于每个网格，YOLO预测出固定数量（通常为5个或3个）的边界框。每个边界框由5个主要属性描述：边界框的位置（中心坐标和宽高）和边界框包含的目标的置信度（confidence）。此外，每个边界框还预测目标的类别。

        （3）单次前向传递：YOLO通过一个卷积神经网络（CNN）进行单次前向传递，同时预测所有边界框的位置和类别。相比于其他目标检测算法，如基于滑动窗口或区域提议的方法，YOLO具有更快的速度，因为它只需要一次前向传递即可完成预测。

        （4）损失函数：YOLO使用多任务损失函数来训练网络。该损失函数包括位置损失、置信度损失和类别损失。位置损失衡量预测边界框和真实边界框之间的位置差异。置信度损失衡量边界框是否正确地预测了目标，并惩罚背景框的置信度。类别损失衡量目标类别的预测准确性。

        （5）非最大抑制（Non-Maximum Suppression）：在预测的边界框中，可能存在多个相互重叠的框，代表同一个目标。为了消除冗余的边界框，YOLO使用非最大抑制算法，根据置信度和重叠程度筛选出最佳的边界框。

3.YOLO算法流程

1. 输入处理：将图像缩放到固定尺寸（如448×448）。

2. 特征提取：通过卷积神经网络（如Darknet）提取图像特征。

3. 预测输出：网络输出一个S×S×(B×5 + C)的张量，其中5表示边界框的坐标和置信度。

4. 非极大值抑制（NMS）：过滤冗余的边界框，保留最佳检测结果。

         Backbone、Neck和Head：单阶段模型遵循特定的设计模式，即“骨干-颈部-头部”，这是物体检测器的结构。

        Backbone负责从输入图像中提取有用的特征。它通常是一个卷积神经网络（CNN），在大规模的图像分类任务中训练，如ImageNet。骨干网络在不同尺度上捕捉层次化的特征，在较早的层中提取低层次的特征（如边缘和纹理），在较深的层中提取高层次的特征（如物体部分和语义信息）。

        Neck是连接Backbone和Head的一个中间部件。它聚集并细化骨干网提取的特征，通常侧重于加强不同尺度的空间和语义信息。颈部可能包括额外的卷积层、特征金字塔（FPN）或其他机制，以提高特征的代表性。

        Head是物体检测器的最后组成部分。它负责根据Backbone和Neck提供的特征进行预测。它通常由一个或多个特定任务的子网络组成，执行分类、定位，以及最近的实例分割和姿势估计。头部处理颈部提供的特征，为每个候选物产生预测。最后，一个后处理步骤，如非极大值抑制（NMS），过滤掉重叠的预测，只保留置信度最高的检测。

4.YOLOv1介绍

        论文地址：https://arxiv.org/pdf/1506.02640.pdf

        YOLOv1 中没有“颈部”的概念，只有骨干和头部。YOLOv1 的架构灵感来源于 GoogleNet，包含 24 个卷积层和两个全连接层。其中，前 20 个卷积层构成骨干，其余层连接到另外两个全连接层，作为检测头部。YOLOv1 没有使用 Inception 模块，而是在骨干中使用了一个 1×1 卷积层和 3×3 卷积层。这有助于在不降低空间维度的情况下减少通道数，从而显著降低参数数量。

        YOLOv1的网络结构十分清晰，是一种传统的one-stage的卷积神经网络：

1. 网络输入：448*448*3的彩色图片；

2. 中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征；

3. 全连接层：由两个全连接层组成，用来预测目标的位置和类别的概率值；

4. 网络输出：7*7*30的预测结果。

        YOLOv1检测策略：YOLOv1采用的是“分而治之”的策略，将一张图片平均分成7x7个网格，每个网格分别负责预测中心点落在该网格内的目标。在Faster R-CNN中，是通过一个RPN来获得目标的感兴趣区域，这种方法精度高，但是需要额外再训练一个RPN网络，这无疑增加了训练的负担。在YOLOv1中，通过划分得到了7x7个网格，这49个网格就相当于是目标的感兴趣区域。通过这种方式，我们就不需要再额外设计一个RPN网络，这正是YOLOv1作为单阶段网络的简单快捷之处。

        具体实现过程如下：

        ①将一副图像分成个网格（grid cell），如果某个object的中心落在这个网格中，则这个网络就负责预测这个object。

        ②每个网格都要预测B个bounding box，每个bounding box要预测和confidence共5个值。

        ③每个网格还要预测一个类别信息，记为C个类。

        ④总的来说，个网格，每个网格要预测B个bounding box，还要预测C个类。网络输出就是一个的张量。

        在实际过程中，YOLOv1把一张图片划分为了7x7个网格，并且每个网格预测2个Box（Box1和Box2），20个类别。所以实际上，S=7，B=2，C=20。那么网络输出的shape也就是：

        目标损失函数由三部分组成，分别是：坐标预测损失、置信度预测损失、类别预测损失。

5.YOLO算法优缺点

（1）优点

        YOLO检测速度非常快。标准版本的YOLO可以每秒处理45张图像；YOLO的极速版本每秒可以处理150帧图像。这就意味着YOLO可以小于25毫秒延迟，实时地处理视频。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。

        YOLO实时检测的平均精度是其他实时监测系统的两倍。

        迁移能力强，能运用到其他新的领域（比如艺术品目标检测）。

（2）缺点

        YOLO对相互靠近的物体，以及很小的群体检测效果不好，这是因为一个网格只预测了2个框，并且都只属于同一类。

        由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是大小物体的处理上，还有待加强。（因为对于小的bounding boxes，small error影响更大）。

        YOLO对不常见的角度的目标泛化性性能偏弱。

YOLO算法变种

         YOLO系列自2016年诞生后经过多次更新，由最初的YOLOv1演变为现在的YOLOv11，网络结构、检测方式和性能表现都发生了明显改变。演进过程一直把提高精度、加快速度、简化网络和增强泛化当作主要目标，并且逐步扩大了应用范围。        

算法版本	核心改进及特点
YOLOv1	首次将目标检测视为回归问题，单次前向传播实现检测，将图像划分为7×7网格，每个网格预测2个边界框和20个类别，存在小目标检测差、定位精度低、误差较多的问题。
YOLOv2	引入锚框机制，通过k-means聚类生成先验框，实现输入分辨率动态调整，多尺度训练提升鲁棒性，预训练分辨率提升至448×448，增强特征提取能力。
YOLOv3	引入FPN多尺度预测，3种尺度特征图提升小目标检测能力，采用Darknet-53主干网络+残差结构，平衡速度与精度，用二元交叉熵代替Softmax，支持多标签分类。
YOLOv4	采用CSPDarknet53优化性能，减少计算量并增强特征融合，调用Mish激活函数提升非线性表达能力，引入Mosaic、CutMix等数据增强技术。
YOLOv5	核心为工程优化，提升工程友好性与部署灵活性，提供多种模型尺寸适配不同硬件，引入自动锚框计算，减少训练时间与内存占用。
YOLOv6	采用SimOTA动态分配正负样本，引入无锚范式简化计算、减少冗余参数，采用SIoU损失函数，加速网络收敛，兼顾轻量化与检测精度。
YOLOv7	引入高效层聚合网络（E-ELAN），优化特征重复利用，提升推理速度，采用动态标签分配，动态调整正负样本权重。
YOLOv8	对YOLOv5进行了改进，它使用无锚框Anchor-Free的设计方式来简化结构，减少了对超参数的依赖，并且通过引入可分离卷积减少了计算开销。它整体拥有轻量化和高推理速度的特点，适用于车载实时检测场景，但是小目标检测精度还有提高空间。
YOLOv9	引入了可编程梯度信息（PGI）和广义高效层聚合网络（GELAN），旨在解决深层网络中的信息丢失问题，并优化网络结构以提高参数利用效率。
YOLOv10	消除了非最大抑制 (Non-Maximum Suppression, NMS) 要求，减少推理延迟。纳入大核卷积和部分自注意模块，在不增加大量计算成本的情况下提高性能。全面优化了各种组件，提高了效率和准确性。
YOLO v11	在多项任务（包括检测、分割、姿态估计、跟踪和分类）中提供最先进的 (SOTA) 性能，利用了各种 AI 应用程序和领域的功能。

应用场景

• 自动驾驶：实时检测行人、车辆等目标。

• 视频监控：快速识别异常行为或物体。

• 工业检测：自动化产品质量检查。