目标检测与 YOLO

目标检测（Object Detection）是计算机视觉的核心任务之一，属于深度学习 CNN 分支下的重要方向（全景位置见深度学习概览）。本页介绍两阶段与单阶段两大流派，并完整梳理 YOLO 全系的演进。

核心直觉

图像分类回答”图里是什么”，目标检测要回答两个问题：“有什么” + “在哪里”——既要分类，还要用矩形框（bounding box）标出每个物体的位置。

两大流派的直觉：

两阶段 = 先找嫌疑区域，再逐一鉴定：第一步先用某种方法找出可能包含物体的候选区域（“这几块地方可能有东西”），第二步对每个候选区域做分类和框精修。精度高，但跑两遍流程，速度慢。
单阶段 = 一眼扫完全图，直接出结果：把图片划成网格，每个格子直接预测”我这里有没有物体、是什么类、框的坐标”。一步到位，速度极快——YOLO（You Only Look Once）的名字就是这个意思。

传统目标检测：Viola-Jones 到 DPM

在深度学习检测器出现之前，目标检测经历了十余年的手工特征时代。深度学习检测器不是凭空出现的——它们站在传统方法的肩膀上。更多背景见传统计算机视觉与传统方法 vs 深度学习。

年份	方法	核心思路	局限
2001	Viola-Jones（Haar 级联）	Haar-like 特征 + AdaBoost 级联分类器，实现首个实时人脸检测	仅对正面人脸效果好，特征表达能力有限
2005	HOG + SVM	提取方向梯度直方图（HOG）特征，用 SVM 分类——行人检测经典方案	特征固定不可学习，对遮挡和形变鲁棒性差
2008	DPM（Deformable Parts Model）	根部模型 + 多个部件模型，显式建模物体形变——传统检测巅峰	人工设计部件，推理慢，精度仍远低于深度学习
2014	R-CNN（Region-based CNN）	用 Selective Search 生成候选区域 + CNN 提取特征——深度学习检测的开端	每个候选区域独立过 CNN，极慢（47s/张）

关键转折：R-CNN（2014）将传统候选区域生成（Selective Search）与 CNN 特征提取结合，标志着检测器从”手工特征时代”迈入”深度学习时代”。此后 Fast R-CNN、Faster R-CNN 不断加速，最终催生了 YOLO 等单阶段检测器。

两阶段 vs 单阶段对比

YOLO 网格检测

YOLO 把图片划成 S×S 网格，每个格子负责检测中心落在自己范围内的物体：

YOLO 的精确分类位置：AI → 机器学习 → 深度学习 → CNN → 计算机视觉 → 目标检测 → 单阶段检测器。

网络架构详解：Backbone-Neck-Head 三段式

现代 YOLO（v3 之后）都遵循 Backbone-Neck-Head 三段式架构——这个设计如此成功，后来几乎成了所有目标检测器的标准模板。可以把它类比成一个”识别流水线”：

1. Backbone（骨干网络）——“特征提取器”

Backbone 就是一个 CNN 分类网络去掉最后的全连接层，只保留卷积部分。它负责从原图逐层提取从低级（边缘、纹理）到高级（物体部件、整体形状）的特征。随着网络加深，特征图（feature map）的空间分辨率不断减半（每次 stride=2 的卷积或池化），而通道数不断翻倍——就像图像越来越小但越来越”厚”（每个像素编码了更大范围的语义信息）。

YOLOv3 的 Darknet-53：53 层卷积网络，大量使用残差连接（ResNet 思想，详见 ResNet），在 ImageNet 上 top-1 精度与 ResNet-101 相当但速度快 1.5 倍。它输出 3 个不同分辨率的特征图（stride 8/16/32），分别对应大/中/小物体。
YOLOv8/v11：采用改良的 CSPDarknet（CSP 即 Cross Stage Partial，将特征图分两半走不同路径再拼接，在保持精度的同时减少约 20% 的计算量）。
参数量对比（YOLOv8 系列）：nano≈3.2M、small≈11.2M、medium≈25.9M、large≈43.7M、extra-large≈68.2M 参数。

什么是特征图？ 可以理解为”经过卷积处理后的图像”。原始图像有 3 个通道（RGB），经过第一层卷积后变成比如 64 个通道——每个通道捕捉一种特定的模式（有的是水平边缘，有的是某种颜色梯度）。网络越深，特征图的每个位置对应原图上更大的感受野（receptive field，即该神经元”看到”的原图区域大小）。

2. Neck（颈部）——“多尺度特征融合器”

不同大小的物体适合在不同分辨率上检测：大物体在低分辨率（大感受野）特征图上更容易识别整体，小物体在高分辨率特征图上保留更多细节。Neck 的任务是把 Backbone 各层的特征混合起来，让检测头同时拥有”宏观”和”微观”信息。

FPN（Feature Pyramid Network，特征金字塔网络）：自顶向下，把深层语义信息上采样后与浅层细节相加——信息”从粗到细”。
PANet（Path Aggregation Network）：在 FPN 基础上再加一条自底向上的路径，让浅层定位信息也能快速传到深层——信息”从细到粗”。YOLOv4/v5/v8 采用 FPN+PAN 双向融合。
类比：FPN 像是”高层领导把战略意图传达给一线”，PANet 补上了”一线把基层情报上报给高层”，形成信息闭环。

3. Head（检测头）——“决策输出层”

Head 接收 Neck 融合后的多尺度特征，在每个尺度的每个网格位置输出一组预测值。以 YOLOv3 为例，在 stride=8 的特征图上（80×80 网格）每个格子输出 3 组预测 ×（5 + 类别数）个数值；三个尺度合计产生上万个候选框，再经 NMS 去重得到最终结果。

Anchor-based 头（YOLOv2~v5）：每个格子预设 K 个不同尺寸/宽高比的 anchor box（锚框，即”参考框”），模型预测相对于 anchor 的偏移量（tx, ty, tw, th），而不是直接预测绝对坐标。这样做是因为直接回归绝对坐标优化困难，而回归”相对参考框的微调”更稳定。
Anchor-free 头（YOLOv8/v11+）：去掉预设锚框，直接预测物体中心点到格子边界的距离（类似 FCOS），减少了一个需要人工调参的超参，也不需要先验统计数据集的框尺寸分布。

数学原理：损失函数与定位回归

YOLO 的训练目标是让网络输出”既分对类、又框得准”的结果。这通过一个多部分加权求和的损失函数（loss function，衡量预测与真实值差距的标量）来实现。以 YOLOv1/v3 的经典形式为例：

\mathcal{L} = \lambda_{\text{coord}} \cdot \underbrace{\mathcal{L}_{\text{box}}}_{\text{定位损失}} + \underbrace{\mathcal{L}_{\text{obj}}}_{\text{置信度损失}} + \underbrace{\mathcal{L}_{\text{cls}}}_{\text{分类损失}}

其中 $\lambda_{\text{coord}}$ （如 5）放大定位损失的权重，因为坐标回归比分类更难学。

定位损失 $\mathcal{L}_{\text{box}}$ ——“框得准不准”

早期 YOLO 用坐标的平方误差。但更好的做法是用基于 IoU 的损失，因为坐标误差不能直接反映”框与真值重叠程度”。IoU（Intersection over Union，交并比）定义为预测框 $B$ 与真实框 $B^{gt}$ 的交集面积除以并集面积：

\text{IoU} = \frac{|B \cap B^{gt}|}{|B \cup B^{gt}|} \in [0, 1]

IoU=1 表示完全重合。但 IoU 有个缺陷：当两个框完全不相交时 IoU=0，梯度也为 0，网络无法学习。于是衍生出一系列改进：

损失	公式核心	解决的问题
GIoU	$\text{IoU} - \frac{\lvert C \setminus (B \cup B^{gt})\rvert}{\lvert C\rvert}$ （ $C$ 是包含两框的最小闭合框）	不相交时仍有梯度
DIoU	加入中心点距离与对角线长度的比值	收敛更快，考虑中心点对齐
CIoU	DIoU + 宽高比一致性惩罚项	进一步惩罚长宽比不匹配

YOLOv4 之后默认采用 CIoU 损失。直觉：一个”好”的预测框不仅要重叠面积大（IoU），还应该中心对齐（DIoU）、形状相似（CIoU）。

置信度损失 $\mathcal{L}_{\text{obj}}$ ——“这里到底有没有物体”

每个格子预测一个 objectness 置信度 $C_i$ ，表示”我这里包含物体的概率 × 预测框与真值的 IoU”。当格子确实负责某物体时，希望 $C_i \to \text{IoU}$ ；否则希望 $C_i \to 0$ 。用 BCE（二元交叉熵）计算。

分类损失 $\mathcal{L}_{\text{cls}}$ ——“是什么类”

对每个格子预测的类别概率用交叉熵损失（多分类）或 BCE（独立多标签）。YOLOv1 用 softmax，YOLOv3 起改用独立 sigmoid（因为一个物体可能同时属于多个类，如”女人”和”人”）。

类别不平衡问题与 Focal Loss

单阶段检测器有一个头疼的问题：图像中绝大多数格子都不包含物体（负样本远多于正样本），网络很容易”偷懒”——只要全预测”没物体”就能拿到很低的损失值。RetinaNet（Lin et al., ICCV 2017）提出的 Focal Loss 通过给已经分对的样本降权来解决：

\text{FL}(p_t) = -(1 - p_t)^\gamma \log(p_t)

其中 $p_t$ 是模型对正确类别的预测概率， $\gamma$ （通常取 2）是聚焦参数。当 $p_t$ 已经很高（容易样本）， $(1-p_t)^\gamma \to 0$ ，损失被大幅压缩；难样本则几乎不受影响。这一招让单阶段检测器的精度追平了两阶段检测器。

梯度下降如何优化？ 损失函数 $\mathcal{L}$ 是所有网络权重 $w$ 的函数。训练时，反向传播（backpropagation）计算 $\partial \mathcal{L}/\partial w$ （每个权重对损失的贡献），优化器（如 SGD/Adam）沿梯度反方向小幅更新权重： $w \leftarrow w - \eta \cdot \partial \mathcal{L}/\partial w$ ， $\eta$ 是学习率。反复迭代数万次，损失逐渐下降，模型逐渐变准。

训练技巧与工程经验

YOLO 系列的精度提升很大程度来自”训练 trick”（训练技巧，即不改变模型结构、只改变训练流程的小改进，业界戏称 bag of freebies——“免费的午餐”）：

数据增强（Data Augmentation）——凭空扩充训练数据

训练数据越多越多样，模型泛化越好。数据增强通过对原图做随机变换，让模型见到”更多样的物体姿态”，相当于低成本扩充数据集：

Mosaic（马赛克增强）：YOLOv4 的招牌——随机选 4 张训练图拼成 1 张 2×2 大图再送入训练。好处：一次 batch 见到 4 倍物体、天然包含小物体（被拼到大图里就变小了）、迫使模型学会在不同上下文中识别物体。YOLOv9 最后 10 个 epoch 会关闭 Mosaic（关闭马赛克，Mosaic Close in last epoch），让模型在”干净”数据上精修。
MixUp：两张图按透明度叠加，标签也按比例混合。
HSV 色空间扰动、随机翻转、随机缩放裁剪：模拟光照、角度变化。

学习率调度（Learning Rate Scheduling）

学习率 $\eta$ 决定每步更新的”步长”——太大则震荡不收敛，太小则收敛慢。常见策略：

Warmup（预热）：前几个 epoch 从极小学习率线性升到目标值，避免训练初期梯度混乱导致权重飞掉。
Cosine annealing（余弦退火）：之后按余弦曲线从峰值缓慢降到接近 0，前期大步探索、后期小步精修。YOLO 系列默认采用。
典型值：SGD 初始 lr≈0.01、momentum≈0.937、weight decay≈5e-4；AdamW 则 lr≈1e-3。

正则化与稳定训练

权重衰减（Weight Decay）：在损失中加上 $\lambda \sum w^2$ ，惩罚过大的权重，防止过拟合（L2 正则化）。
EMA（Exponential Moving Average，指数移动平均）：维护一份权重的”滑动平均版本”用于推理，比直接用最终权重更稳定，YOLO 训练默认开启。
Label Smoothing（标签平滑）：把 one-hot 标签的 1.0 软化为 0.9、0.0 软化为 $\epsilon/(K-1)$ ，防止模型过度自信，轻微提升泛化。

正负样本匹配（Label Assignment）

Anchor-free 时代，需要决定”哪些预测点算正样本（负责某个真值框）“。YOLOv8 采用 TaskAlignedAssigner：对每个真值框，按”分类置信度 × 预测框与真值的 IoU”的幂次 $s^{\alpha} \cdot u^{\beta}$ 打分，取 top-k 作为正样本。这种”动态”匹配比 YOLOv1 的”按中心点固定分配”灵活得多。

动手实践：用 torchvision 做目标检测推理

import torch
from torchvision.models.detection import fasterrcnn_resnet50_fpn, FasterRCNN_ResNet50_FPN_Weights
from torchvision.transforms.functional import to_tensor

# 加载预训练 Faster R-CNN（COCO 91 类）
weights = FasterRCNN_ResNet50_FPN_Weights.DEFAULT
model = fasterrcnn_resnet50_fpn(weights=weights).eval()
labels = weights.meta["categories"]  # 类别名称列表

# 准备输入（PIL 图片 → tensor，归一化到 [0,1]）
from PIL import Image
img = to_tensor(Image.open("test.jpg").convert("RGB")).unsqueeze(0)  # 加 batch 维

# 推理
with torch.no_grad():
    preds = model(img)[0]

# 只看置信度 > 0.5 的检测结果
for label, score in zip(preds["labels"], preds["scores"]):
    if score > 0.5:
        print(f"{labels[label]}: {score:.1%}")
# 输出示例: dog: 99.7%, person: 92.3%

用 Ultralytics YOLOv8 做推理与训练

除了 torchvision 的 Faster R-CNN，实际目标检测项目中最常用的是 Ultralytics YOLO 系列：

# 使用 Ultralytics YOLOv8 进行推理（pip install ultralytics）
from ultralytics import YOLO

# 加载预训练 YOLOv8n 模型（nano 版，速度最快）
model = YOLO("yolov8n.pt")  # 首次运行会自动下载权重

# 对图片做目标检测
results = model("https://ultralytics.com/images/bus.jpg")

# 打印每个检测到的物体：类别、置信度、边界框坐标
for box in results[0].boxes:
    cls_id = int(box.cls[0])              # 类别 ID
    conf = float(box.conf[0])             # 置信度
    xyxy = box.xyxy[0].tolist()           # 边界框 [x1, y1, x2, y2]
    name = model.names[cls_id]            # 类别名（如 'person'）
    print(f"{name:10s} 置信度 {conf:.0%}  框 {xyxy}")
# 输出示例:
# person     置信度 89%  框 [22.0, 49.0, 234.0, 594.0]
# person     置信度 88%  框 [221.0, 38.0, 344.0, 599.0]
# bus        置信率 87%  框 [0.0, 222.0, 806.0, 655.0]

如果想用自己的数据训练：

from ultralytics import YOLO

model = YOLO("yolov8n.pt")                    # 加载预训练权重
model.train(data="my_data.yaml", epochs=100)   # 在自定义数据集上微调

带完整训练超参数的示例

上面是最简写法，实际调优时往往需要显式设置训练策略：

from ultralytics import YOLO

model = YOLO("yolov8s.pt")  # 用 small 版本，精度/速度平衡

model.train(
    data="my_data.yaml",
    epochs=200,
    imgsz=640,                  # 输入分辨率，越大越准但越慢
    batch=32,
    optimizer="AdamW",          # 优化器：SGD 或 AdamW
    lr0=0.001,                  # 初始学习率（AdamW 常用 1e-3）
    lrf=0.01,                   # 最终学习率 = lr0 * lrf（余弦退火终点）
    cos_lr=True,                # 启用余弦退火调度
    warmup_epochs=3,            # 前 3 个 epoch 做学习率预热
    weight_decay=0.0005,        # L2 正则化系数
    momentum=0.937,             # SGD 动量（用 AdamW 时被忽略）
    mosaic=1.0,                 # Mosaic 增强概率
    mixup=0.1,                  # MixUp 增强概率
    hsv_h=0.015, hsv_s=0.7, hsv_v=0.4,  # HSV 色空间扰动幅度
    degrees=10,                 # 随机旋转 ±10°
    translate=0.1, scale=0.5,   # 随机平移/缩放
    fliplr=0.5,                 # 水平翻转概率
    label_smoothing=0.1,        # 标签平滑
    patience=30,                # 30 个 epoch 无提升则早停
)

PyTorch 损失函数示意（教学片段）

下面用极简 PyTorch 代码展示 CIoU 损失的核心计算，帮助理解检测器”框得准不准”是如何被量化优化的：

import torch
import torch.nn.functional as F

def ciou_loss(pred_boxes, target_boxes, eps=1e-7):
    """
    pred_boxes / target_boxes: (N, 4)，格式为 (x1, y1, x2, y2)
    """
    # —— 1. 计算交集与并集，得到 IoU ——
    x1 = torch.max(pred_boxes[:, 0], target_boxes[:, 0])
    y1 = torch.max(pred_boxes[:, 1], target_boxes[:, 1])
    x2 = torch.min(pred_boxes[:, 2], target_boxes[:, 2])
    y2 = torch.min(pred_boxes[:, 3], target_boxes[:, 3])
    inter = (x2 - x1).clamp(0) * (y2 - y1).clamp(0)
    area_p = (pred_boxes[:, 2]-pred_boxes[:, 0]) * (pred_boxes[:, 3]-pred_boxes[:, 1])
    area_t = (target_boxes[:, 2]-target_boxes[:, 0]) * (target_boxes[:, 3]-target_boxes[:, 1])
    union = area_p + area_t - inter + eps
    iou = inter / union

    # —— 2. 计算中心点欧氏距离与最小闭合框对角线 ——
    pred_cx = (pred_boxes[:, 0] + pred_boxes[:, 2]) / 2
    pred_cy = (pred_boxes[:, 1] + pred_boxes[:, 3]) / 2
    tgt_cx  = (target_boxes[:, 0] + target_boxes[:, 2]) / 2
    tgt_cy  = (target_boxes[:, 1] + target_boxes[:, 3]) / 2
    rho2 = (pred_cx - tgt_cx) ** 2 + (pred_cy - tgt_cy) ** 2  # 中心点距离平方

    # 最小闭合框的对角线平方
    cx1 = torch.min(pred_boxes[:, 0], target_boxes[:, 0])
    cy1 = torch.min(pred_boxes[:, 1], target_boxes[:, 1])
    cx2 = torch.max(pred_boxes[:, 2], target_boxes[:, 2])
    cy2 = torch.max(pred_boxes[:, 3], target_boxes[:, 3])
    c2 = (cx2 - cx1) ** 2 + (cy2 - cy1) ** 2 + eps

    # —— 3. CIoU = IoU - 距离项 - 宽高比项（此处省略 v 的详细推导）——
    ciou = iou - rho2 / c2  # 简化版，完整 CIoU 还含宽高比一致性 v*α
    return (1 - ciou).mean()  # 损失越小越好

# 示例：预测框与真实框越接近，损失越小
pred  = torch.tensor([[10., 10., 50., 50.]])
truth = torch.tensor([[12., 14., 48., 52.]])
print(f"CIoU loss = {ciou_loss(pred, truth):.4f}")

实践要点

精度 vs 速度的取舍：追求最高精度 → Faster R-CNN 系列；追求实时性（视频、边缘设备）→ YOLO 系列。但注意，RetinaNet（Focal Loss, 2017）及 YOLOv7 之后已基本抹平精度差距。
NMS（非极大值抑制）：同物体会被检测多次（多个重叠框），NMS 保留得分最高的框、删除与它重叠过多的框。YOLOv10/YOLO26 已实现端到端无 NMS。
数据标注成本高：检测数据集需要人工画框标注（COCO、Pascal VOC），比分类标注贵得多。实际项目中数据往往是瓶颈。
Anchor-free 是趋势：早期 YOLO 用预设的 anchor boxes，v6 之后逐步转向 anchor-free，减少需调的超参。
模型大小选择：YOLOv8 系列从 nano（n）到 extra-large（x），速度和精度递增。边缘部署选 n/s，服务器选 m/l，精度优先选 x。
数据标注格式：YOLO 格式是每张图一个 .txt 文件，每行 class x_center y_center width height（归一化到 0～1）。用 LabelImg 或 Roboflow 标注。
NMS 的 iou_threshold：调低（如 0.3）→ 更激进去重，可能漏检重叠物体；调高（如 0.7）→ 保留更多框，可能出现重复检测。
置信度阈值：model(img, conf=0.5) 设最低置信度。低阈值召回率高但误检多，高阈值精度高但可能漏检。
版本选择：学术编号（YOLOv13）vs 工业旗舰（Ultralytics YOLO26）不完全对应，选型时看实际 benchmark 而非版本号大小。

典型应用

安防监控：海康威视摄像头用目标检测做入侵报警、人流密度统计和异常行为识别，YOLO 的实时推理能力使其成为视频流分析的首选。
自动驾驶：特斯拉 FSD、Waymo 用检测模型实时定位前方车辆、行人和骑行者并预测运动轨迹，直接服务于碰撞预警与路径规划。
工业质检：产线上用 YOLO 定位零件缺陷的位置和类型（裂纹、气泡、异物），比人工巡检快几十倍且漏检率更低。
智慧零售：Amazon Go 无人超市用检测模型识别顾客拿取的商品自动完成结算；品牌方用它做货架陈列审计，核查铺货达标率。
农业：大疆农业无人机用目标检测识别作物病虫害区域、统计果实数量，支撑精准施药与产量预估。
无人机巡检：搭载在巡检无人机上自动识别电力线路绝缘子破损、输油管道泄漏、太阳能板热斑等目标，大幅降低人工巡线成本。
体育赛事追踪：广播画面中实时追踪球员和球的位置，用于赛事数据统计（如跑动距离、传球热区）和自动高光剪辑。
餐厅自助称重计价：智慧餐厅通过 YOLO 识别菜品品类并结合称重数据，实现自助取餐自动计价，已在海底捞、五爷拌面等连锁门店落地。

YOLO 全系演进

注意 v4 之后各版本由不同团队提出，互不隶属，仅沿用 YOLO 名号与单阶段思想；编号大小不代表技术传承。

版本	年份	团队	关键创新
YOLOv1	2015/2016	Redmon, Divvala, Girshick, Farhadi（华盛顿大学）	检测统一为单次回归问题
YOLOv2/9000	2016	Redmon & Farhadi	BN、anchor boxes、9000+ 类
YOLOv3	2018	Redmon & Farhadi	Darknet-53、多尺度（Redmon 此后退出 CV 研究）
YOLOv4	2020	Bochkovskiy, 王建国, 廖弘源（中研院）	CSP、SPP、Mosaic
YOLOv5	2020	Glenn Jocher（Ultralytics）	无正式论文，PyTorch 工程化（许可曾引争议）
YOLOv6	2022	美团	工业部署导向
YOLOv7	2022	Wang, Bochkovskiy, Liao（中研院）	E-ELAN、trainable bag-of-freebies
YOLOv8	2023	Ultralytics	Anchor-free、检测/分割/姿态/分类多任务
YOLOv9	2024	Wang, Yeh, Liao（中研院）	PGI + GELAN
YOLOv10	2024	清华大学	端到端 NMS-free
YOLO11	2024	Ultralytics	精度/效率再平衡
YOLOv12	2025-02	Yunjie Tian 等	Attention-centric（Area Attention）——已是 CNN-Transformer 混合架构
YOLOv13	2025	iMoonLab	超图增强视觉感知（学术编号最新）
YOLO26	2025-09	Ultralytics（YOLO Vision 2025 发布）	原生端到端无 NMS、主打 CPU/边缘部署（近期发展，工业界主流旗舰）

典型类库与工具

类库	语言	说明
Ultralytics YOLO	Python	YOLOv5/v8/v11/v26 官方实现，一行命令完成训练/推理/导出，工业部署主流
MMDetection	Python	商汤开源的检测工具箱，内置 Faster R-CNN、YOLO 等数十种检测器
Detectron2	Python	Meta 开源的检测库，提供 Faster R-CNN、Mask R-CNN 等高质量实现
torchvision	Python	PyTorch 官方库，提供 Faster R-CNN/RetinaNet 预训练模型与推理接口
YOLOv8（ultralytics）	Python	Anchor-free 多任务框架，支持检测/分割/姿态/分类，API 简洁
OpenCV	C++/Python	用于检测结果的可视化标注（画框、标签）和视频流推理
Darknet	C / Python	YOLO 原作者 Redmon 开源的 C 语言深度学习框架，YOLOv1–v3 的原始实现，以推理速度极快著称
YOLOv5	Python	Ultralytics 基于 PyTorch 重写的版本，生态成熟、社区资源丰富，目前工业界使用最广泛的 YOLO 版本之一
Roboflow	在线平台	提供数据标注、增强、版本管理和模型训练一体化的在线工具，YOLO 自定义数据集训练的常见入口

术语表

术语	英文	解释
边界框	Bounding Box	用矩形框标出物体位置的坐标表示，通常为 (x, y, w, h)
锚框	Anchor	预设的一组不同尺度与宽高比的参考框，检测器在其基础上微调
交并比	IoU (Intersection over Union)	预测框与真实框的交集面积除以并集面积，衡量定位精度
非极大值抑制	NMS (Non-Maximum Suppression)	保留得分最高的框、删除与它重叠过多的重复框的去重操作
平均精度均值	mAP (mean Average Precision)	综合所有类别在不同 IoU 阈值下的检测精度的标准评价指标
两阶段检测器	Two-stage Detector	先生成候选区域再分类精修的检测器（如 Faster R-CNN），精度高但较慢
单阶段检测器	One-stage Detector	直接在全图上一步预测类别与框的检测器（如 YOLO），速度快
网格划分	Grid Division	将图像划分为 S×S 网格，每个网格负责检测中心落在该格子内的物体，是 YOLO 的基本设计