YOLO综述：从YOLOV1到YOLOV8

ABSTRACT

YOLO 已成为机器人、无人驾驶汽车和视频监控应用的中央实时目标检测系统。我们对 YOLO 的演变进行了全面分析，检查了从原始 YOLO 到 YOLOv8 的每次迭代中的创新和贡献。我们首先描述标准指标和后处理；然后，我们讨论了每个模型的网络架构和训练技巧的主要变化。最后，我们总结了 YOLO 发展的重要经验教训，并展望了其未来，强调了增强实时目标检测系统的潜在研究方向。

1 Introduction

实时目标检测已成为众多应用中的关键组成部分，涵盖自动驾驶汽车、机器人、视频监控和增强现实等各个领域。在众多目标检测算法中，YOLO (You Only Look Once) 框架以其速度和准确性的卓越平衡而脱颖而出，能够快速可靠地识别图像中的目标。自成立以来，YOLO 家族经历了多次迭代，每个迭代都建立在以前的版本之上，以解决限制并提高性能（见图 1）。本文旨在全面回顾 YOLO 框架的发展，从最初的 YOLOv1 到最新的 YOLOv8，阐明每个版本的关键创新、差异和改进。本文首先探讨了原始 YOLO 模型的基本概念和架构，这为 YOLO 家族的后续发展奠定了基础。在此之后，我们深入研究了从 YOLOv2 到 YOLOv8 的每个版本中引入的改进和增强功能。这些改进包括网络设计、损失函数修改、锚框自适应和输