摘要
YOLO（You Only Look Once）系列算法是目标检测领域最具代表性的单阶段检测器，凭借其端到端、实时性强的特点，广泛应用于工业质检、自动驾驶、安防监控等场景。
本文从YOLO的核心原理出发，系统梳理从YOLOv1到YOLOv8的技术演进脉络，重点讲解Anchor机制、损失函数、数据增强等关键技术。
通过一个完整的自定义数据集训练案例，涵盖数据标注、模型训练、评估、推理与ONNX部署全流程，提供可复现的代码实现。文章最后总结常见训练陷阱与优化策略，帮助读者建立从理论到工程落地的完整知识体系。
核心原理
1. 单阶段检测范式
YOLO将目标检测视为回归问题，输入图像经过单一神经网络直接输出边界框坐标、类别概率和置信度。与两阶段检测器（如Faster R-CNN）相比，YOLO去除了区域提议网络，实现端到端训练和推理。
2. 网格划分与Anchor机制
输入图像被划分为S×S网格。每个网格负责预测B个边界框，每个边界框包含5个参数：(x, y, w, h, confidence)。其中(x, y)是边界框中心相对于网格的偏移量，(w, h)是相对于整张图像的宽高比。YOLOv2开始引入Anchor（先验框），通过K-means聚类训练集标注框得到预设的宽高比，加速收敛并提升召回率。
3. 损失函数
YOLO损失函数由三部分组成：
- 坐标损失：预测框与真实框的中心点误差和宽高误差，通常采用均方
