第一课：课程导学与环境准备
各位同学好，我是你们这门课的主讲。在正式开始之前，我想先聊聊YOLO——这个在计算机视觉领域几乎无人不知的算法系列。
说实话，我第一次接触YOLO是在2016年。那时候我刚接手一个工业质检项目，客户要求实时检测流水线上的零件缺陷。传统的Faster R-CNN跑起来太慢，GPU风扇转得跟直升机似的，结果一帧还得几百毫秒。后来我试了YOLOv1，虽然精度差点意思，但速度是真的快。嗯，从那时起我就知道，这个系列会改变很多东西。
YOLO发展史：从v1到v8
YOLO的全称是You Only Look Once，翻译过来就是「你只看一次」。这个命名很形象——它不像两阶段检测器那样先提候选框再分类，而是把检测当成一个回归问题，一步到位。
| 版本 | 发布时间 | 核心特点 | 我的评价 |
|---|---|---|---|
| YOLOv1 | 2016 | 开创性工作，端到端检测 | 粗糙但革命性 |
| YOLOv2 | 2017 | 引入Anchor Box、Batch Normalization | 稳定了很多 |
| YOLOv3 | 2018 | 多尺度预测、Darknet-53骨干 | 经典之作，至今有人用 |
| YOLOv4 | 2020 | Mish激活、CSP结构、Bag of Freebies | 工程优化集大成者 |
| YOLOv5 | 2020 | PyTorch实现、更轻量 | 社区最活跃的版本 |
| YOLOv6 | 2022 | 美团出品，工业级优化 | 部署友好 |
| YOLOv7 | 2022 | E-ELAN结构、重参数化 | 精度速度双赢 |
| YOLOv8 | 2023 | Ultralytics出品，无锚框设计 | 目前最推荐入门 |
我个人建议：如果你是新手，直接从YOLOv8开始学。v5和v8的生态最完善，遇到问题网上随便一搜就有答案。v3虽然经典，但很多API已经过时了，没必要在旧技术上浪费时间。
YOLO的应用场景
YOLO能干什么？说白了，只要是需要「实时找物体」的地方，都有它的身影。
- 安防监控：行人检测、车辆检测、异常行为识别。我之前做过一个智慧园区项目，用YOLOv5检测翻墙行为，效果还不错。
- 自动驾驶：车辆、行人、交通标志检测。这个场景对速度要求极高，YOLO几乎是标配。
- 工业质检：表面缺陷检测、零件定位。我在工厂里见过用YOLOv8检测电路板焊点，精度能达到99%以上。
- 医疗影像：细胞检测、病灶定位。虽然医疗领域更偏爱两阶段检测器，但YOLO在实时辅助诊断中越来越常见。
- 农业与零售：水果成熟度检测、货架商品识别。你想想看，无人超市里识别你拿了什么商品，背后大概率就是YOLO。
课程目标
这门课一共30章，我们的目标很明确：让你从零开始，完整跑通一个YOLO项目。
具体来说，学完这门课，你应该能：
- 自己搭建Anaconda环境，装好PyTorch和GPU驱动
- 理解YOLO的核心原理——至少能跟别人讲清楚什么是Anchor Box、什么是NMS
- 自己标注数据集，训练一个自定义检测模型
- 把模型部署到服务器或者边缘设备上
- 遇到报错能自己排查，而不是只会复制粘贴
一个小建议：学这门课的时候，最好一边看一边动手。我见过太多人收藏了课程就再也不看了。代码这东西，你不亲手敲一遍，永远不知道坑在哪里。
Anaconda环境搭建
好，理论部分聊完了，咱们开始动手。第一步，装Anaconda。
为什么要用Anaconda？说白了就是为了隔离环境。你想想看，项目A需要PyTorch 1.8，项目B需要PyTorch 2.0，如果没有虚拟环境，这两个版本冲突起来能让你怀疑人生。我曾经有一次因为环境混乱，debug了整整两天，最后发现是CUDA版本不匹配。从那以后，我每个项目都单独建一个环境。
安装步骤很简单：
- 去Anaconda官网下载对应操作系统的安装包（Windows/Linux/Mac）
- 双击安装，一路默认就行。注意：Windows用户记得勾选「Add Anaconda to my PATH environment variable」
- 安装完成后，打开终端（Windows用Anaconda Prompt），输入
conda --version验证
接下来创建一个新环境：
conda create -n yolo_env python=3.9
conda activate yolo_env这里我用了Python 3.9，为什么不是最新的3.12？因为PyTorch对最新Python版本的支持往往有延迟。我建议用3.8到3.10之间的版本，兼容性最好。
PyTorch安装与验证
环境激活后，安装PyTorch。去PyTorch官网，选择你的配置，会生成对应的安装命令。比如我的是CUDA 11.8：
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118注意：不要用 conda install pytorch，除非你网络特别好。conda的源经常下载到一半就断了。我个人习惯用pip，加上清华镜像，速度飞快。
安装完成后，验证一下：
python -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"如果输出 True，恭喜你，PyTorch已经能调用GPU了。如果输出 False，别慌，大概率是CUDA没装对，我们下一步来解决。
GPU驱动配置
GPU配置是新手最容易卡住的地方。我见过太多人装了PyTorch但用不了GPU，最后发现是驱动版本太老。
首先，确认你的显卡型号。NVIDIA显卡用户，在终端输入：
nvidia-smi这个命令会显示驱动版本、CUDA版本、显存使用情况。如果提示「命令未找到」，说明你没装NVIDIA驱动。
驱动安装步骤：
- 去NVIDIA官网下载对应显卡型号的驱动
- 安装后重启电脑
- 再次运行
nvidia-smi，确认能看到信息
然后安装CUDA Toolkit。注意：nvidia-smi里显示的CUDA版本是驱动支持的最高版本，你安装的CUDA Toolkit版本不能高于它。比如显示CUDA 12.1，那你可以装CUDA 11.8或12.1，但不能装12.2。
安装CUDA Toolkit后，再装cuDNN。cuDNN是深度学习的加速库，不装也能跑，但速度会慢不少。
避坑指南：我曾经在Windows上折腾了一整天，最后发现是环境变量没配好。安装CUDA后，记得检查 PATH 环境变量里有没有 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin。没有的话手动加上。
最后，再跑一次验证代码：
python -c "import torch; print(torch.cuda.is_available())"如果输出 True，环境就全部搞定了。
小结
这一章我们聊了YOLO的发展史、应用场景，也把开发环境搭好了。说实话，环境配置是最枯燥的部分，但也是最重要的。你想想看，如果环境没配好，后面所有的代码都跑不起来，那多憋屈。
下一章，我们会正式开始YOLOv8的实战——用官方预训练模型跑一个目标检测demo。到时候你会发现，前面这些折腾都是值得的。
好了，去动手吧。有任何问题，欢迎在课程群里交流。记住：不要怕报错，每一个报错都是学习的机会。
公众号:蓝海资料掘金营，微信deep3321