摘要YOLO（You Only Look Once）系列算法是目标检测领域最主流的实时检测框架，其核心思想是将目标检测视为一个回归问题，通过单次前向推理直接输出边界框坐标与类别概率。本文从YOLO的数学原理出发，逐步拆解其网络结构、损失函数与训练策略，并提供一个完整的、可运行的YOLOv8训练与推理案例。代码基于Ultralytics框架实现，涵盖数据准备、模型训练、评估与部署全流程。本文所有代码均经过严格测试，可直接复制运行，适合希望系统掌握YOLO技术的工程师与研究者。应用场景YOLO因其高速度与较高精度的平衡，广泛应用于以下领域：工业质检：实时检测产品表面缺陷，如划痕、凹陷、污渍。自动驾驶：行人、车辆、交通标志的实时检测。安防监控：入侵检测、人群密度估计、异常行为识别。医疗影像：细胞检测、病灶区域定位。农业遥感：作物计数、病虫害识别。核心原理1. 目标检测问题建模YOLO将图像划分为S×S的网格（grid）。每个网格负责检测中心点落在该网格内的目标。对于每个网格，模型预测B个边界框（bounding box），每个边界框包含5个参数：x, y, w, h, confidence。其中(x, y)是边界框中心相对于网格的偏移，范围[0,1]；(w, h)是边界框宽高相对于整张图像的比例，范围[0,1]；confidence表示该框包含目标的置信度。此外，每个网格还预测C个类别概率。/