摘要YOLO（You Only Look Once）作为目标检测领域的里程碑式算法，凭借其端到端、单阶段的检测范式，在工业界和学术界均获得了广泛应用。本文从数学原理出发，系统性地梳理YOLO系列的核心演进逻辑，并通过一个完整的工业级案例——基于YOLOv8的钢材表面缺陷检测，展示从数据准备、模型训练、性能评估到ONNX部署的全流程。全文所有代码均经过严格测试，可直接运行，旨在帮助读者构建从理论到工程落地的完整知识体系。核心原理YOLO的核心思想是将目标检测视为一个回归问题。输入图像被划分为SxS的网格，每个网格负责预测B个边界框（bounding box）及其置信度，以及C个类别概率。其损失函数由三部分构成：坐标损失：采用均方误差（MSE）或CIoU损失，衡量预测框与真实框的偏移量。置信度损失：使用二值交叉熵（BCE），判断网格内是否存在目标。分类损失：使用多类交叉熵，预测目标类别。YOLO系列的演进核心在于特征提取网络与检测头的优化：YOLOv3：引入Darknet-53与FPN（特征金字塔），解决多尺度检测问题。YOLOv5：采用CSPDarknet与Mosaic数据增强，平衡速度与精度。