108.YOLOv8部署：ONNX导出+TensorRT加速+ONNX Runtime推理，附完整工程代码
摘要
YOLO（You Only Look Once）系列目标检测算法以其极致的速度与精度平衡，成为工业界和学术界最广泛应用的实时检测框架。
本文从零开始，系统讲解YOLOv8的核心原理、数据准备、模型训练、推理部署全流程。所有代码基于Ultralytics官方库，提供完整可运行的工程案例，覆盖自定义数据集训练、模型评估、ONNX导出、TensorRT加速等关键环节。
全文无冗余理论推导，聚焦可落地的工程实践，帮助读者在最短时间内掌握YOLO的完整使用链路。
核心原理
YOLO将目标检测统一为回归问题，核心思想如下：
单阶段检测：输入图像经过单个神经网络，直接输出边界框坐标、类别概率和置信度，无需区域提议网络。
网格划分：将输入图像划分为S×S网格，每个网格负责检测中心点落在该网格内的目标。
多尺度预测：YOLOv8采用FPN+PAN结构，在三个不同尺度特征图上进行预测，分别对应大、中、小目标。
标签分配：TaskAlignedAssigner根据分类与回归的联合度量分配正负样本，替代传统的IoU阈值分配。
损失函数：分类使用BCE Loss，回归使用CIoU Loss，DFL（Distribution Focal Loss）优化边界框分布。
无锚框机制：YOLOv8彻底抛弃锚框，直接预测边界框的四个偏移量，简化了超参数设计。