摘要YOLO（You Only Look Once）系列目标检测算法以其端到端、实时性强的特点，成为工业界和学术界最广泛应用的检测框架。本文从YOLO的核心设计哲学出发，系统讲解其原理演进，并提供一个从数据准备、模型训练到推理部署的完整可运行案例。所有代码均基于Ultralytics YOLOv8实现，可直接在本地或云端环境运行，适合希望快速掌握YOLO实战技能的开发者和研究人员。核心原理1. YOLO的设计哲学YOLO将目标检测视为一个回归问题。输入图像被划分为S×S的网格，每个网格负责预测固定数量的边界框（B个）及其置信度，以及C个类别概率。最终输出张量维度为S×S×(B×5+C)。2. 关键组件锚框（Anchor Box）：预设不同尺寸和长宽比的先验框，加速收敛非极大值抑制（NMS）：去除冗余检测框，保留最优结果损失函数：包含定位损失（CIoU）、置信度损失（BCE）、分类损失（BCE）特征金字塔（FPN/PAN）：多尺度特征融合，提升小目标检测能力3. YOLOv8核心改进采用C2f模块替代C3，增强梯度流动解耦头（Decoupled Head）分离分类和回归分支无锚框（Anchor-Free）设计，简化后处理Mosaic数据