09.YOLOv5/v8 实战全指南：核心原理+代码实现+ONNX/TensorRT部署

YOLO（You Only Look Once）系列目标检测算法自2016年提出以来，已成为工业界和学术界最广泛使用的实时检测框架。
本文从YOLOv5/v8核心原理出发，构建从环境搭建、数据标注、模型训练、ONNX导出到TensorRT部署的完整技术链路。
提供可直接运行的完整代码，涵盖数据预处理、训练配置、推理可视化、性能评估全流程。深入解析Anchor机制、损失函数、NMS后处理等关键模块，并针对训练不收敛、小目标漏检、部署精度下降等高频问题给出系统性解决方案。

1. 整体架构：Backbone + Neck + Head

YOLOv5/v8采用单阶段检测范式，将目标检测视为回归问题：

• Backbone：CSPDarknet53（v5）或C2f模块（v8），提取多尺度特征
• Neck：FPN+PAN结构，实现特征金字塔融合
• Head：解耦检测头（v8）或耦合检测头（v5），输出边界框、置信度、类别概率

2. Anchor机制与标签分配

YOLOv5使用固定Anchor（基于K-means聚类），YOLOv8采用TaskAlignedAssigner动态分配：

• 正样本匹配：计算预测框与GT的IoU，选择Top-k作为正样本
• 损失权重：根据分类分数和IoU的加权组合分配标签

3. 损失函数

• 分类损失：BCEWithLogitsLos