003、YOLO初探：目标检测核心思想与YOLO系列模型演进史

---

## 一、从一次深夜调试说起

上周有个朋友发来一段代码，用YOLOv5做游戏画面里的目标检测。他抱怨说：“模型跑是跑起来了，但检测框总是慢半拍，画面稍微一动就丢目标。”我让他把预处理部分的代码截过来看——果然，问题出在图像缩放上。他用了OpenCV的默认插值，没考虑YOLO训练时用的数据增强策略，输入尺寸也没对齐。这种问题在刚接触YOLO时特别常见：**你以为你调的是模型，其实一半的问题出在数据管道里**。

今天我们就从这个问题切入，聊聊YOLO到底是怎么工作的，以及它为什么能在实时检测领域站稳脚跟。

---

## 二、目标检测的核心思想：两个流派的斗争

在YOLO出现之前，目标检测的主流是“两阶段”方法。比如R-CNN系列，先让模型猜“可能有哪些区域包含物体”（候选框生成），再对这些区域做分类和位置修正。这种方法精度高，但速度慢，根本没法用在实时场景里。

YOLO的作者Joseph Redmon当时就想：**为什么不能把检测任务当成一个回归问题直接搞定？** 一张图片输入，模型直接输出图中所有目标的类别和位置。这个想法在今天看来理所当然，但在2015年，它挑战了整个领域的惯性思维。

YOLO的核心思想就一句话：**把图片划分成网格，每个网格负责预测中心点落在该网格内的物体。** 每个网格预测若干个边界框（bounding box）和对应的类别概率。整个流程一步到位，所以YOLO的全称是“You Only Look Once”。

---

## 三、YOLO的演进：从v1到v8的实战观察

### 1. YOLOv1（2015）：开山之作，但今天别直接用
这是最初的