183.为什么你训练的 YOLOv8 口罩检测框偏移、导出失败？

摘要

YOLO（You Only Look Once）系列目标检测算法凭借其单阶段、端到端、实时性强的特点，已成为工业界和学术界应用最广泛的目标检测框架。本文从零开始，系统梳理YOLO的核心原理，并以Ultralytics YOLOv8为引擎，提供一套完整的、可直接运行的工程化代码案例。内容涵盖环境配置、数据准备、模型训练、验证、推理和部署全流程，并针对常见错误给出避坑指南。全文无冗余配图，所有代码均经过严格测试，确保零错误运行。

应用场景

YOLO系列算法广泛应用于以下场景：

• 工业质检：检测产品表面缺陷（划痕、凹陷、异物）。
• 自动驾驶：车辆、行人、交通标志的实时检测。
• 安防监控：入侵检测、人流统计、异常行为识别。
• 医疗影像：细胞、病灶区域的自动定位。
• 农业遥感：农作物计数、病虫害识别。

本文案例以口罩佩戴检测为切入点，覆盖从自定义数据集构建到模型部署的完整链路，适用于开发者快速将YOLO落地到实际项目。

核心原理

YOLO将目标检测视为回归问题，输入一张图像，直接输出边界框坐标、类别概率和置信度。其核心思想如下：

1. 网格划分：将输入图像划分为SxS个网格。每个网格负责检测中心点落在该网格内的目标。
2. 边界框预测：每个网格预测B个边界框，每个框包含5个参数：(x, y, w, h, confidence)。其中(x, y)是框中心相对于网格的偏移，w, h是相对于整张图像的宽高，confidence表示框