YOLO

📅 文档更新时间：2025 年 11 月 2 日

参考资料

• You Only Look Once: Unified, Real-Time Object Detection (Redmon et al., CVPR 2016)

• Ultralytics YOLO 文档

• 一文全面梳理 YOLO 系列

• YOLO 新版本已经到 13，为何落地首选仍是 v5/v8？

概述

简介

YOLO（You Only Look Once） 是一类基于深度学习的 实时目标检测 算法
自 2015 年首次提出以来，已经历多次迭代，衍生出多条发展路线，每一次都在 速度‑精度‑易用性 之间实现更好的平衡

• 核心思想
  • 在单次前向传递过程中同时完成物体分类和定位
  • 将输入图像划分为 $S \times S$ 的网格（grid），每个网格负责预测该区域内的目标

与 R‑CNN 系列的 两阶段 检测不同，YOLO 采用 单阶段回归，不需要进行多次区域生成和分类操作，因此在推理速度上拥有显著优势

网络结构

YOLO 通常 通常包括以下几个主要组成部分：

• Backbone（骨干网络）

  负责 特征提取。从简单的定制卷积网络 Darknet 到引入 ResNet 思想的 Darknet-53，再到优化梯度流的 CSPDarknet53，其趋势是 更深、更高效、信息流动更顺畅

• Neck（颈部）

  负责 多尺度特征融合。主流结构演进如下：

  • FPN：引入 自上而下 的路径，将高层语义强的特征与底层位置精确的特征结合，大大改善了小目标检测
  • PANet：在 FPN 基础上增加了 自下而上 的路径，进一步加强了位置信息的传递
  • (后续演进)：出现了如 BiFPN 等结构，通过加权方式更高效地融合不同分辨率的特征

• Head（头部）

  输出层。其 预测范式 发生了根本性变革：

  • Anchor-Based (v2-v7)

    基于预定义锚框，让网络学习偏移量。优点是 降低学习难度，训练稳定；缺点是 引入超参数，计算复杂

  • Anchor-Free (v8, v10)

    直接预测目标中心点或边界框顶点，使 Pipeline 更简洁，是当前的主流方向

损失函数

• 分类损失

  衡量 预测类别概率 与 真实标签 的差距（常用 Cross Entropy 或 Focal Loss）

• 坐标损失

  衡量预测框与真实框的几何误差（从 MSE 发展到 IoU 系列 (GIoU, DIoU, CIoU)）

  • MSE：独立优化四个坐标，未考虑相关性，且对尺度敏感
  • IoU Loss：直接反映检测效果的度量，但无法处理不相交的情况
  • GIoU Loss：解决了不相交时无法优化的问题
  • DIoU/CIoU Loss：进一步考虑了中心点距离和宽高比，收敛更快、定位更准

• 置信度损失

  衡量预测框中是否真的包含 目标物体（通常也用二元交叉熵损失）

应用领域

• 自动驾驶: 实时监控路况和识别障碍物
• 视频监控: 实时检测和跟踪多个目标
• 机器人: 导航、避障和物体抓取
• 手机应用: 实时摄像头辅助的增强现实应用（AR）

优势和不足

• 优势

  • 速度快，适合实时性要求高的应用
  • 端到端训练，结构相对简单、易于工程化部署

• 劣势

  • 对 小物体 和 密集物体 的检测性能曾是瓶颈（后续版本已大幅改进）
  • 定位精度在早期版本中略逊于两阶段方法

迭代时间线以及主要改进点

版本	发表年份	核心贡献者/机构	关键创新与特点
v1	2015	Joseph Redmon, etc.	开创性工作：将检测定义为单一回归问题。速度快，但定位不准，召回率低。
v2	2016	Joseph Redmon, etc.	迈向实用：引入 BN、Anchor 机制、多尺度训练。在速度和精度间取得更好平衡。
v3	2018	Joseph Redmon, etc.	成熟之作：更深的主干网络 Darknet-53（含残差连接）、多尺度预测（类似 FPN）。成为当时最均衡的选择。
v4	2020	Alexey Bochkovskiy, etc.	“工程集大成者”：CSPDarknet53 主干、PANet 颈部、Mosaic 数据增强、CIoU Loss、SAT 自对抗训练等，整合了大量 SOTA 技巧。
v5	2020	Ultralytics	“易用性之王”：基于 PyTorch，提供极其友好的训练/部署流水线。优化了数据增强、超参数等。
v6	2022	美团	工业导向：重新设计的网络（RepVGG 风格 backbone），并推出了 Anchor-Free 的范式。
v7	2022	Chien-Yao Wang, etc.	效率革新：提出 E-ELAN 架构、复合模型缩放、计划重参数化 等，在不增加推理成本下提升精度。
v8	2023	Ultralytics	新一代标杆：彻底抛弃 Anchor 机制，转为 Anchor-Free；使用 解耦头（Decoupled Head） 和 C2f 模块。

发展主线	代表版本与关键技术	核心目标
Backbone 强化	v3 (Darknet-53), v4 (CSPDarknet53)	提升特征提取能力
Neck 结构优化	v3 (FPN-like), v4 (PANet), 后续(BI-FPN)	优化多尺度特征融合
Loss 函数精细化	v4 (CIoU)	提升边框回归精度
训练策略 & 数据增强	v4 (Mosaic, SAT), v5 (自适应锚框)	提升模型鲁棒性与泛化能力
Head & 预测范式革命	v1-v7 (Anchor-Based) -> v8, v10 (Anchor-Free)	简化流程，摆脱超参数，更接近本质回归
工程化与部署便利	v5, v8, v11 (Ultralytics 框架)	降低使用门槛，促进落地

YOLOv1 (2015)

将目标检测问题转换为一个单次回归问题
相较于之前的 Region Proposal-based 方法（例如 R-CNN 系列），YOLOv1 显著提升了检测速度，能够实现实时处理

• 主要改进点
  • 将图片划分成 $S \times S$ 的网格，每个格子预测两个边界框和相应的置信度评分
  • 每个格子还预测固定数量的类别概率
  • 简化的网络结构，使用 24 层卷积层和 2 层全连接层

YOLOv2 (2016)

在保持速度的同时，显著提升了检测精度
引入了多尺度训练，提高了模型对不同尺度物体的检测能力

• 主要改进点
  • 引入了 Batch Normalization，稳定了训练过程并减少了过拟合
  • 使用了高分辨率分类器进行微调
  • Anchor 机制：引入了 预定义的 Anchor Box 以改善物体定位
  • 使用了更快的 Backbone 网络（Darknet-19）

YOLOv3 (2018)

利用 残差连接 和更深的网络，提升了模型的特征提取能力
通过多尺度特征融合，进一步改善了对不同尺度物体的检测效果

• 主要改进点
  • 引入了 Darknet-53 作为新的 Backbone，具有更深的网络和残差连接
  • 使用了 三尺度预测 结构（类似 FPN），实现了多尺度特征融合
  • 分类器改用多个独立的 Logistic 分类器代替 Softmax，解决多标签分类（一个物体属于多个类别）的问题，而非传统的互斥多分类

YOLOv4 (2020)

在模型精度和速度之间找到了更好的权衡点，进一步提升了实时性能
吸收多种前沿技术，是一个“免费大礼包（Bag of Freebies）”和“特殊技巧库（Bag of Specials）”的集大成者

• 主要改进点
  • 使用了 CSPDarknet53 作为 Backbone，增强了特征提取能力并减少了计算量
  • 引入了 CIoU（Complete IoU）损失函数，改善了边界框回归效果
  • 数据增强方法：采用了 Mosaic 和 Self-Adversarial Training (SAT) 等先进的数据增强技术
  • 采用了 DropBlock 正则化和 Label Smoothing 等技术提高模型的泛化能力

YOLOv5 (2020)

由 Ultralytics 公司 于 2020 年发布的 PyTorch 实现，以其 极致的易用性和工程化水平 闻名

• 主要改进点
  • 工程化优先：提供了完整的训练、验证、导出和部署管道，代码非常友好
  • 优化了数据增强策略，如 Mosaic 和 自适应锚框计算
  • 使用更高效的优化器和学习率调度器
  • 提供了多种预设的模型规模（n, s, m, l, x），满足不同性能和速度的需求

YOLOv6 (2022)

由 美团 团队提出，专注于工业应用的高效检测器

• 主要改进点
  • 引入了新的 Anchor-Free 检测机制
  • 使用了 RepVGG/CSPBep 风格的 Backbone，兼顾表现与速度
  • 设计了更高效的 Rep-PAN Neck 结构

对比	Anchor	Anchor-Free
思想	预先设定一系列不同大小、比例的候选框（Anchors），让网络去学习修正这些候选框的位置和判断其内是否有物体	不依赖预定义 Anchors，直接预测目标中心点或边界框相对于网格点的偏移量
优点	简化了学习难度，训练更稳定	简化 pipeline，减少超参数，更适合形状怪异的目标
不足	需要聚类分析数据来确定 Anchor 尺寸，引入了超参数，计算量大

YOLOv7 (2022)

由 Chien-Yao Wang 和 Alexey Bochkovskiy 等人发布，在精度和速度上达到了新的 state-of-the-art

• 主要改进点
  • 提出了 E-ELAN 架构，通过分组卷积和通道 shuffle 来提升网络的学习能力
  • 引入了 计划重参数化（Planned Re-parameterization） 来创建无需额外推理成本的更强大模型
  • 采用了 复合模型缩放（Compound Model Scaling） 方法

YOLOv8 (2023)

Ultralytics 公司发布的新一代标杆模型，在设计理念上做了根本性的改变，旨在提供最佳的速度-精度权衡和最友好的用户体验

• 主要改进点
  • Anchor-Free 设计：彻底移除了复杂的 Anchor 机制，简化了训练流程并减少了超参数
  • 解耦头（Decoupled Head）：将分类和边界框回归任务分开，提升了训练效率和最终精度
  • 新的骨干网络和 Neck：使用更高效的 C2f 模块 替换了 C3 模块，在保持性能的同时丰富了梯度流
  • 先进的标签分配策略：采用 Task-Aligned Assigner，动态选择高质量的正样本
  • 损失函数优化：结合使用了 Distribution Focal Loss 和 CIoU Loss
  • 开发者友好：提供了从分类、检测、分割到姿态估计的统一框架

标签分配策略
用于决定 哪个预测框负责匹配哪个真实物体 的规则，对性能至关重要
早期使用静态规则，如 IoU 阈值
现代 (如 v8 的 Task-Aligned Assigner) 使用动态策略，同时考虑分类得分和预测框质量（IoU），为每个真值框选择综合分数最高的预测框作为正样本

YOLOv9 (2024 年 2 月)

• 核心创新

  • 可编程梯度信息 (PGI)：解决深度网络中信息丢失 的关键问题，通过生成可靠的梯度，确保模型能够有效学习并产出准确的预测
  • 广义高效层聚合网络 (GELAN)：一种高效轻量的网络架构，优化了参数利用率与计算效率
  • 高性能表现：其最大变体 YOLOv9-E 在 COCO 数据集上取得了领先的 mAP 分数，树立了高精度的新标准

• 理想应用场景

  适用于对 检测精度要求极高 的场合，例如精密机器人、卫星图像分析以及自动驾驶等关键安全系统

YOLOv10 (2024 年 5 月)

• 核心创新
  • 在训练中采用 一致性双重分配 策略，无需非极大值抑制 NMS 后处理，简化了部署流程，降低了推理延迟
  • 对模型进行了自上而下的全面优化，包括使用 轻量级分类头、空间通道解耦下采样 以及 秩引导块设计，旨在消除计算冗余

YOLOv11 (2024 年 10 月)

作为 Ultralytics 在 2024 年推出的收官之作，同样是集成了目标检测、图像分割、姿态估计等多种任务的统一框架

YOLOv8.3.133 (2025 年 5 月)

这个版本是 YOLOv8 分支的一个重要的 工程化维护更新，着重于提升开发体验和部署稳定性

• 关键改进点
  • 更严格的数据集校验：当数据集中没有发现有效图片或标注时，会 直接抛出错误并停止训练，有效避免了在无效数据上浪费时间与算力
  • NVIDIA Jetson 设备支持强化：通过了官方的持续集成测试，显著提升在边缘设备上的兼容性与运行稳定性
  • 模型导出与训练优化：为 Intel CPU 用户增加了 OpenVINO 导出建议提示

实际应用

迁移训练

官方给出的 YOLO 模型（如 YOLOv8）默认使用 COCO 数据集预训练，能识别 80 种物体
要识别其他物体，我们需要进行迁移学习（Transfer Learning）或自定义训练

基本流程如下：
1、准备数据集：收集包含目标物体的图片
2、数据标注：使用工具（如 LabelImg, CVAT, Roboflow）对图片中的物体进行框选标注，生成标准的格式（如 YOLO 格式的 .txt 文件）
3、组织数据结构：按照要求划分训练集、验证集和测试集（images 和 labels 文件夹）
4、配置模型：选择一个预训练的权重文件（如 yolov8n.pt）并根据需求修改配置文件（如指定类别数）
5、执行训练：使用官方提供的训练脚本启动训练过程
6、获得模型：训练完成后会生成新的模型权重文件（如 best.pt），其中包含了针对你的任务学到的参数

如何选择合适的 YOLO 版本？

考量维度	推荐选择	理由
快速上手/教学	YOLOv8	文档最完善，API 最统一，社区活跃。
工业部署/平衡	YOLOv5 / YOLOv8	历经考验，生态成熟，资源和精度平衡性好。
移动端/边缘设备	YOLOv8n, YOLOv5n	参数量少，计算量小，延迟低。
追求极致精度、研究与追踪	关注最新论文和官方库	吸收了更多前沿的架构和训练技巧，算法领域迭代飞快，SOTA 不断被刷新。

• 关于 “落地首选 v5/v8” 的原因
  • 生态与易用性：完善的文档、清晰的 API、丰富的教程
  • 经过实践检验：v5/v8 经过大量公司和项目的实战考验，稳定性和可靠性有保障
  • 性价比：对于大多数业务场景，v5/v8 系列提供的精度已经足够，而它们的速度和资源消耗更为友好