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。本文从零开始，系统讲解YOLOv8的核心原理、数据准备、模型训练、推理与部署全流程。提供完整的可运行代码案例，涵盖自定义数据集训练、模型评估、ONNX导出与C++部署示例。全文聚焦工程落地，避免理论堆砌，所有代码均经过严格测试，可直接复制运行。目标读者为具备Python基础、希望系统掌握YOLO实战的算法工程师与开发者。应用场景YOLO广泛应用于以下工业级场景：工业质检：PCB缺陷检测、零件装配验证自动驾驶：车辆、行人、交通标志检测安防监控：入侵检测、人流统计医疗影像：细胞计数、病灶定位农业视觉：果实识别、病虫害检测零售分析：货架商品识别、顾客行为检测这些场景的共同要求是：实时性高（30FPS）、精度可接受、部署友好。核心原理YOLO系列演进逻辑YOLO将目标检测视为回归问题，单次前向传播同时输出边界框坐标、类别概率和置信度。其核心创新点包括：网格化预测：将输入图像划分为S×S网格，每个网格负责预测中心点落在该网格内的目标。多尺度检测：通过特征金字塔（FPN/PAN）结构，在不同尺度特征图上检测不同大小的目标。无锚框设计（YOLOv8）：直接预测边界框的左上角和右下角坐