摘要YOLO（You Only Look Once）是当前工业界应用最广泛的目标检测算法之一。本文从零开始，系统讲解YOLO的核心原理、数据准备、模型训练、推理部署全流程。提供完整可运行的代码示例，涵盖YOLOv8在自定义数据集上的训练与评估。通过一个真实案例，帮助读者彻底掌握YOLO的工程落地方法。全文逻辑严谨，所有代码均经过验证，可直接复制运行。核心原理YOLO的核心思想是将目标检测转化为一个端到端的回归问题。其基本原理如下：输入图像被划分为S×S的网格。每个网格负责检测中心点落在该网格内的目标。每个网格预测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，w,h是相对于整张图像的宽高，confidence是置信度，表示该框包含目标的概率以及预测框与真实框的IOU。同时，每个网格预测C个类别概率。最终输出张量形状为S×S×(B*5 + C)。后处理阶段使用非极大值抑制（NMS）去除冗余的检测框。YOLOv8是Ultralytics团队在2023年发布的最新版本，它在YOLOv5的基础上进行了多项改进：采用C2f模块替代C3模块，增强了特征提取能力。使用解耦头（Decoupled Head）分别预测分类和回归任务。引入Anchor-Free机制，简化了锚框设计。/