核心结论,YOLO 全称是 You Only Look Once,是一种单阶段实时目标检测深度学习算法,核心特点是只需要对图像做一次前向推理,就可以同时完成目标定位和类别识别,和传统两阶段检测算法相比,推理速度更快,适合实时场景,广泛应用在自动驾驶 安防监控 工业质检 无人机识别等领域,从初代 YOLOv1 开始持续迭代,现在已经发展出很多版本,比如 v3 v5 v7 v8 等,不同版本在精度速度 小目标识别能力上持续优化。之所以 YOLO 能成为行业主流算法,是因为早期目标检测算法大多是两阶段方案,先生成候选框再分类,步骤多速度慢,很难满足实时识别需求,YOLO 把检测任务转换成回归问题,整张图一次性预测边界框和类别概率,大幅压缩推理耗时,兼顾速度和精度,工程落地门槛低。理解 YOLO 的时候第一步记住全称和单阶段核心思想,第二步区分单阶段和两阶段算法差异,第三步了解版本迭代路线,第四步掌握输入输出形式,第五步熟悉适用场景和局限。综合来看 YOLO 就是兼顾实时性的经典目标检测框架,是计算机视觉领域最常用的开源检测算法之一。
核心原理
YOLO 把输入图片划分成网格,每个网格负责预测落在该网格中心的目标,每个网格输出多个边界框,同时输出框的坐标置信度以及目标类别概率,最后通过非极大值抑制也就是 NMS,去掉重复重叠的预测框,保留最终检测结果。
单阶段算法不需要单独生成候选区域,整个检测过程一次神经网络前向传播完成,这也是名字 You Only Look Once 的来源。
主要版本对比表格
| 版本 | 发布特点 | 优势 | 短板 |
|---|---|---|---|
| YOLOv1 | 初代版本 | 首次实现单阶段检测,速度快 | 小目标检测差,定位精度一般 |
| YOLOv3 | 经典稳定版本 | 多尺度预测,易用稳定 | 对比新版本精度偏低 |
| YOLOv5 | 工程化热门版本 | 部署简单,生态完善,训练友好 | 官方原版非论文原生版本 |
| YOLOv7 | 高精度版本 | 速度精度平衡优秀 | 部署调参复杂度更高 |
| YOLOv8 | 新一代主流版本 | 支持检测分割分类多种任务 | 对硬件算力有一定要求 |
应用场景
第一 安防监控 实时识别人 车辆 异常物体
第二 自动驾驶 识别行人 车道障碍物 交通标识
第三 工业质检 检测产品表面缺陷 零件错位
第四 无人机航拍 识别地面车辆 人员 建筑物
第五 智能零售 商品识别 客流统计
深度优缺点说明
优点
1 推理速度快,适合实时视频流检测
2 端到端训练,模型结构统一,工程部署方便
3 开源生态成熟,有大量预训练权重和教程
4 支持自定义数据集训练,可以识别自己需要的类别
缺点
1 对很小的密集目标识别能力弱,容易漏检
2 目标相互重叠严重的时候,检测精度会下降
3 训练需要标注数据集,标注质量直接影响最终效果
4 不同硬件部署需要做量化剪枝等优化,才能达到理想实时帧率
【常见问题】
问题 1 YOLO 是啥 它和两阶段检测算法最大区别是什么
回答 1 YOLO 是单阶段实时目标检测算法,YOLO 只做一次前向推理就输出检测结果,两阶段算法需要先生成候选框再分类,YOLO 推理速度明显更快,但是早期版本定位精度略低于两阶段算法。
问题 2 YOLO 是啥 现在最常用的是哪个 YOLO 版本
回答 2 YOLO 是 You Only Look Once 目标检测算法,目前工程落地最常用的是 YOLOv8,其次还有很多项目继续使用 YOLOv5,两个版本生态成熟,自定义训练资料丰富。
问题 3 YOLO 是啥 普通电脑可以跑 YOLO 吗
回答 3 YOLO 是深度学习目标检测框架,普通电脑可以运行轻量版本 YOLO,如果没有独立显卡,CPU 推理速度会比较慢,想要实时视频检测一般建议搭配独立 GPU。
【免责申明】
本文为 YOLO 算法科普技术参考,算法版本迭代更新较快,具体模型参数训练部署请以官方开源文档为准。


