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，从v1到v8历经多次架构革新。本文基于YOLOv8官方实现，从原理到代码完整覆盖，提供一套可直接运行的训练、推理、评估全流程案例。通过一个自定义口罩检测数据集，演示数据准备、模型训练、超参数调优、模型导出与部署的完整链路。所有代码基于Ultralytics库，兼容PyTorch生态，确保零基础也能复现。应用场景目标检测技术已渗透到工业视觉、自动驾驶、安防监控、医疗影像、农业遥感等核心领域。具体场景包括：工业质检：检测产品表面缺陷（划痕、凹坑、异物）智慧交通：车辆、行人、交通标志实时识别安防监控：口罩佩戴检测、人群密度估计自动驾驶：障碍物检测与车道线识别医疗辅助：细胞计数、病灶区域定位YOLO凭借单阶段检测速度和精度平衡，尤其适合对实时性要求高的边缘端部署（如Jetson、树莓派、手机端）。核心原理YOLO将目标检测视为回归问题，单次前向传播同时预测边界框坐标、类别概率和置信度。核心思想如下：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量，(w,h