YOLO 是 You Only Look Once 的缩写，是目标检测（Object Detection）领域一个革命性的系列模型，由 Joseph Redmon 等人在 2016 年首次提出。
YOLO 的核心理念与 SSD 类似，它是一个单阶段（One-Stage）检测器，但它的方法更加激进和统一。
🚀 YOLO 的核心思想：统一检测
YOLO 的主要目标是实现极高的速度和实时性，它通过将整个目标检测任务（区域建议、特征提取、边界框回归和分类）整合到一个单一的回归问题中来完成：
1. 划分网格 (Grid System)
YOLO 将输入图像划分为一个 $S \times S$ 的网格 (Grid)。
- 负责制： 如果一个目标的中心点落在哪一个网格单元内，那么这个网格单元就负责检测该目标。
2. 直接预测 (Direct Prediction)
每个网格单元都会直接预测出以下信息：
- 边界框 (Bounding Boxes)： 预测 $B$ 个边界框的坐标和尺寸信息。
- 置信度 (Confidence Score)： 每个预测框的置信度，表示该框包含对象的可能性以及预测的准确性。
- 类别概率 (Class Probabilities)： 该网格单元包含的目标属于 $C$ 个类别的概率分布。
YOLO 的最终输出是一个 $S \times S \times (B \times 5 + C)$ 的张量。
3. You Only Look Once
这个名字意味着：整个检测流程只需要对图像进行一次前向传播，就能直接得出所有目标的分类和定位结果，极大地加快了速度。
🆚 YOLO 与两阶段模型的对比
| 特性 | YOLO (单阶段) | Faster R-CNN (两阶段) |
|---|---|---|
| 检测步骤 | 一步到位：作为回归问题，直接预测框和类别。 | 两步：RPN 提议 $\to$ 检测头精修。 |
| 速度 | 极快（能达到 45 FPS 甚至更高），是实时检测的首选。 | 较快，但通常慢于 YOLO。 |
| 背景误检 | 低。因为它对整个图像进行全局推理，能更好地编码上下文信息。 | 较高。主要依赖于局部 RoI 的特征。 |
| 定位精度 | 原始版本相对较低。由于网格约束，难以精确预测高度重叠或小物体。 | 高。RoI Align/Pooling 和两阶段精修保证了高精度定位。 |
迭代与发展（YOLO 系列）
原始 YOLO 模型的缺点在于定位精度较差，特别是对小物体和密集物体。后续的迭代版本不断解决了这些问题：
- YOLOv2 (YOLO9000): 引入 Batch Normalization、使用锚框（Anchor Boxes）（与 SSD 类似）、使用多尺度训练，大幅提高准确率。
- YOLOv3: 引入 FPN (特征金字塔网络) 结构，使用多个特征图进行预测（类似于 SSD），改善了对小物体的检测效果。
- YOLOv4/v5/v7/v8: 这些版本在架构、数据增强、优化技巧（如 $1 \times 1$ 卷积的进一步应用）上不断改进，在速度和精度上都达到了新的平衡点，是目前业界应用最广泛的实时目标检测器之一。
总结：YOLO 以牺牲部分定位精度为代价，实现了目标检测的革命性提速，是目前最受欢迎的实时检测模型系列。