摘要YOLO（You Only Look Once）作为目标检测领域的里程碑算法，实现了从图像输入到边界框与类别预测的端到端单阶段推理。本文从零构建YOLO技术认知体系，涵盖YOLOv1至v8的核心演进逻辑，提供基于PyTorch的完整可运行代码案例，包括自定义数据集训练、模型评估与ONNX部署。所有代码均经过严格测试，可直接在主流GPU/CPU环境中执行。文章同时剖析训练收敛困难、小目标漏检等高频问题的工程化解决方案，帮助读者在工业落地场景中快速定位并修复模型缺陷。核心原理1. 单阶段检测范式YOLO将目标检测重构为回归问题：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（中心点落入该网格的目标）。每个边界框输出5个参数：(x, y, w, h, confidence)，其中(x,y)为框中心相对网格的偏移，(w,h)为宽高相对于整图的归一化值，confidence = P(object) × IoU(pred, truth)。此外，每个网格预测C个类别概率。2. 损失函数设计YOLO损失函数由三部分组成：坐标损失：采用均方误差（MSE），对宽高使用平方根缩放，降低大框误差的惩罚权重。置信度损失：区分包含目标的网格（objectness=1）与不包含目标的网格（objectness=0），通过λ_coord和λ_noobj平衡正负样本。类别损失：交叉熵损失，仅在目标存在时计算。
