147.YOLOv8 vs YOLOv5 核心差异 + 缺陷检测完整代码，从原理到落地一步到位

摘要

YOLO（You Only Look Once）系列算法是目标检测领域最具影响力的单阶段检测模型。本文从零开始，系统讲解YOLOv8的核心原理与完整实践流程。通过一个工业级缺陷检测案例，覆盖从数据准备、模型训练、评估到部署的全链路。所有代码均基于Ultralytics官方库实现，确保可复现性与生产级稳定性。文章采用理工科逻辑推导，严格避免模糊表述，每个参数均有明确数学或工程依据。

应用场景

YOLO系列广泛应用于以下典型场景：

• 工业质检：PCB板缺陷检测、金属表面划痕识别
• 自动驾驶：车辆、行人、交通标志实时检测
• 安防监控：人员入侵检测、异常行为识别
• 医疗影像：细胞计数、病灶区域定位
• 农业遥感：农作物病虫害识别、果实成熟度判断

本文以“金属表面缺陷检测”为案例，该场景对实时性要求高（>30FPS），且缺陷类型多样（划痕、凹坑、氧化斑），非常适合展示YOLO的端到端能力。

核心原理

1. 单阶段检测范式

与传统两阶段检测器（如Faster R-CNN）不同，YOLO将目标检测视为回归问题：一次前向传播同时输出边界框坐标、类别概率和置信度。数学表达为：

对于输入图像，模型输出一个三维张量 S x S x (B*5 + C)，其中：

• S：网格划分尺寸（如80x80）
• B：每个网格预测的边界框数