企业官网建设流程全解析

YOLO算法演进史，从YOLOv1到YOLOv11核心技术剖析

目标检测（Object Detection）是计算机视觉中最具工程价值的任务之一，它要求算法在图像中同时回答"物体在哪里"与"物体是什么"两个问题。从 2015 年 Joseph Redmon 在 CVPR 上发表《You Only Look Once: Unified, Real-Time Object Detection》开始，YOLO 系列用十年时间完成了从"一次回归"到"端到端多任务统一"的跨越。本文将沿着 YOLOv1 → YOLOv2/YOLO9000 → YOLOv3 → YOLOv4 → YOLOv5 → YOLOX/YOLOv6/YOLOv7 → YOLOv8 → YOLOv9/v10/v11 的脉络，逐代剖析骨干网络（Backbone）、颈部（Neck）、检测头（Head）、标签分配（Label Assignment）与训练策略的演进逻辑，并给出可运行的 PyTorch 解码代码与工程选型建议。文中所有术语在首次出现时给出中英文对照，力求让读者既理解"为什么这样设计"，也能落地"怎样跑起来"。

一、目标检测范式与 YOLO 的诞生

1.1 目标检测的任务定义与评价指标

目标检测的输出通常是一组边界框（Bounding Box），每个框附带类别标签（Class Label）与置信度分数（Confidence Score）。评价检测质量最核心的指标是交并比（Intersection over Union，IoU），即预测框与真实框（Ground Truth）交集面积除以并集面