摘要
YOLO（You Only Look Once）作为目标检测领域里程碑式的算法，以其端到端、单阶段、高帧率的特性成为工业界首选方案。
本文从数学原理出发，系统推导YOLOv5/v8的核心机制，包含Anchor机制、损失函数设计、NMS后处理等关键模块。
提供一套完整的训练-验证-推理-部署全链路代码，涵盖自定义数据集格式、训练参数调优、ONNX导出与TensorRT加速。通过一个工业质检案例，展示从数据标注到模型上线的完整流程。全文代码均基于PyTorch 2.0+，经实测可复现。
核心原理
1. 目标检测范式对比
YOLO属于单阶段检测器，核心思想是将检测任务视为回归问题：输入图像经CNN直接输出边界框坐标、类别概率和置信度。与Faster R-CNN等两阶段方法相比，YOLO省去候选区域生成步骤，实现端到端优化。
2. YOLOv5网络架构
采用CSPDarknet53作为Backbone，结合SPPF（Spatial Pyramid Pooling Fast）和PANet（Path Aggregation Network）结构。关键创新点：
- Focus层：将输入图像切片为4份，通道数扩展4倍，保留空间信息
- CSP结构：跨阶段局部连接，减少梯度重复计算，降低参数量
- SPPF：使用3个5x5最大池化串联，替代传统SPP的多个池化核，计算量降低50%
