摘要
YOLO（You Only Look Once）是目标检测领域最经典的端到端算法之一，自2016年提出以来，经历了v1到v8的多次迭代，在工业界和学术界得到了广泛应用。
本文从工程落地角度出发，以YOLOv5为蓝本，系统讲解其核心原理、训练流程、推理部署及调优技巧。全文包含完整可运行的代码示例，覆盖数据准备、模型训练、评估与导出全链路，帮助读者在真实项目中快速上手YOLO。
核心原理
YOLO将目标检测视为回归问题，通过单个神经网络直接从输入图像预测边界框坐标和类别概率。其核心思想包含三个关键点：
- 网格划分：将输入图像划分为S×S的网格，每个网格负责检测中心点落在该网格内的目标。
- 边界框预测：每个网格预测B个边界框，每个框包含5个参数：(x, y, w, h, confidence)。其中(x, y)是框中心相对于网格的偏移量，(w, h)是框的宽高相对于整张图像的归一化值，confidence表示框内包含目标的置信度。
- 多尺度预测：YOLOv3之后引入FPN结构，在三个不同尺度的特征图上进行预测，分别对应大、中、小目标。
YOLOv5的损失函数由三部分组成：
- 边界框回归损失：采用CIoU Loss，同时考虑重叠面积、中心点距离和宽高比。
- 置信度损失：二值交叉熵损失，区分前景和背景。
- 分类损失：二值交叉熵损失，支持多标签分类。
训练过程中，YOLOv5使用Mosaic数据增强、自适应锚框计算、学习率余弦退火等技巧提升性能。
