摘要YOLO（You Only Look Once）是当前工业界最主流的目标检测算法之一，以单阶段检测、实时推理、端到端训练为核心优势。本文从零开始，系统讲解YOLO的演进逻辑、核心原理，并基于YOLOv8提供完整可运行的训练与推理代码。所有代码均经过严格测试，可直接运行，适合希望快速掌握YOLO并落地的开发者。全文无配图，专注逻辑与代码。应用场景YOLO广泛应用于以下场景：工业质检：实时检测产品表面缺陷，如划痕、凹陷、异物。安防监控：行人、车辆、异常行为实时检测。自动驾驶：车道线、障碍物、交通标志识别。智慧零售：货架商品识别、顾客行为分析。医学影像：细胞、病变区域快速定位。YOLO的高帧率与低延迟特性，使其在边缘设备（如Jetson、树莓派）上同样表现优异。核心原理YOLO将目标检测视为回归问题，输入图像经过单一神经网络，直接输出边界框坐标、类别概率和置信度。核心思想网格划分：输入图像被划分为S×S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是相对于网格的偏移，w,h是相对于整图的宽高比，confidence表示框内包含目标的置信度。类别预测：每个网格同时预测C个类别概率，表示该网格内