YOLO系列全版本

lq850815

一、核心定位与原理

• 全称：You Only Look Once（你只看一次）
• 提出：2015 年 Joseph Redmon 等（华盛顿大学）[color=rgba(0, 0, 0, 0.5)]Ultralytics YOLO
• 核心思想：将目标检测视为单一回归任务，而非 “先候选框、再分类” 的两阶段流程。
• 工作流程：
  • 输入图像统一缩放到固定尺寸（如 448×448）。
  • 划分成 S×S 网格（如 7×7），每个网格负责预测中心落在其中的目标。
  • 每个网格预测多个边界框（x, y, w, h）、置信度与类别概率。
  • 一次前向传播直接输出所有检测结果，无需候选框生成。
    
  
  
  

二、核心优势

• 速度极快：单阶段设计，推理速度可达数百 FPS，满足实时视频、自动驾驶、监控等场景。
• 全局视野：一次性处理整张图，上下文信息更完整，误检更少。
• 端到端：结构简洁，易于训练、部署与优化。
• 通用性强：支持多类别检测，可扩展到分割、追踪、姿态估计等任务[color=rgba(0, 0, 0, 0.5)]Ultralytics YOLO。
  

三、主要版本演进（关键节点）
表格

版本

年份

核心改进

特点

YOLOv12015单阶段回归、7×7 网格开创实时单阶段检测，速度快但小目标弱
YOLOv2/90002016锚框、批量归一化、多尺度训练精度与速度大幅提升，支持 9000 类
YOLOv32018DarkNet-53、多尺度预测（FPN）小目标检测显著改善，工业界广泛应用
YOLOv42020CSPDarkNet、Mosaic 增强、无锚框头速度 / 精度新标杆，工程化极强
YOLOv5/v6/v7/v82020–2023轻量化、部署优化、多任务扩展易用性、移动端 / 边缘部署友好[color=rgba(0, 0, 0, 0.5)]Ultralytics YOLO
YOLOv9–v122024–2025动态架构、高效注意力、小目标优化精度与速度持续突破




四、典型应用场景

• 自动驾驶：实时检测行人、车辆、交通标志。
• 视频监控：异常行为、入侵、人流统计。
• 工业质检：缺陷检测、零件定位。
• 智能零售：商品识别、无人结算。
• 机器人视觉：避障、抓取、导航。
• 移动端：人脸检测、物体识别、AR 交互。
  

五、与两阶段算法对比

• 两阶段（Faster R-CNN 等）：先生成候选区域 → 再分类 / 回归 → 精度高、速度慢。
• YOLO（单阶段）：一次回归 → 速度快、精度接近两阶段、实时性强。
  

YOLO系列全版本
下载地址：
百度网盘：https://pan.baidu.com/s/11mbtZ7sun4g1Brb-x3JwQQ?pwd=5twi
夸克网盘：https://pan.quark.cn/s/8895d3e57c2c