Yolo模型简介：从v1到v8的演进之路
做嵌入式AI部署这些年，我接触最多的目标检测模型就是Yolo。说实话，Yolo这个系列就像个老朋友，看着它从v1一路走到v8，每个版本都有故事。今天我就跟你聊聊Yolo的发展史、核心思想，以及它凭什么能在边缘计算设备上这么吃香。
Yolo系列发展史：从v1到v8
Yolo的故事要从2016年说起。那时候目标检测还是Faster R-CNN的天下，但速度嘛...你想想看，在嵌入式设备上跑Faster R-CNN，帧率基本就是个位数。我当时在做一个智能相机的项目，用Faster R-CNN跑一次检测要200多毫秒，客户直接说"这玩意儿能用？"
Yolo v1：开山之作
2016年，Joseph Redmon提出了Yolo v1。核心思想就一句话：把检测当成回归问题来做。一张图分成S×S的网格，每个网格预测B个边界框和类别概率。
Yolo v1的核心参数：
- 输入尺寸：448×448
- 网格划分：7×7
- 每个网格预测：2个边界框
- 检测类别：20类（PASCAL VOC）
- 速度：45 FPS（Titan X）
我记得第一次跑Yolo v1时，那个速度真的惊艳到我了。45 FPS，比当时的Faster R-CNN快了将近10倍。但缺点也很明显——小目标检测能力差，两个物体挨得近就容易漏检。
Yolo v2：更好，更快，更强
2017年，Yolo v2来了。这次改进很大，我挑几个关键点说说：
- Batch Normalization：训练更稳定，收敛更快
- Anchor Boxes：用K-means聚类出先验框，定位更准
- Darknet-19：新的骨干网络，19个卷积层
- 多尺度训练：每10个batch随机换一次输入尺寸
嗯，这里要注意，Yolo v2引入了Anchor Boxes，这是个里程碑式的改进。我在做嵌入式部署时，v2的模型大小只有50MB左右，在Jetson TX2上能跑到30 FPS，相当实用。
Yolo v3：真正的里程碑
2018年的Yolo v3，我个人认为是Yolo系列最经典的一个版本。为什么这么说？
Yolo v3三大改进：
- 多尺度检测：在3个不同尺度的特征图上做预测，小目标检测能力大幅提升
- Darknet-53：借鉴ResNet的残差结构，53层卷积，性能更强
- Logistic回归：用sigmoid替代softmax做类别预测，支持多标签
我曾经在一个工业质检项目里用Yolo v3检测PCB板上的微小缺陷。说实话，v3的多尺度检测帮了大忙，0.5mm的焊点缺陷都能准确检出。当时客户问"这模型怎么这么准"，我笑着说"因为它看了三个不同大小的你"。
Yolo v4 & v5：工程化的胜利
2020年，Yolo v4和v5几乎同时出现。v4是Alexey Bochkovskiy在Darknet上改进的，v5是Ultralytics用PyTorch实现的。这两个版本在工程化上做得特别好：
| 特性 | Yolo v4 | Yolo v5 |
|---|---|---|
| 骨干网络 | CSPDarknet-53 | CSPDarknet |
| Neck | SPP + PANet | SPPF + PANet |
| 训练技巧 | Mish激活、CutMix、Mosaic | AutoAnchor、超参数进化 |
| 部署友好度 | 中等 | 极高（PyTorch导出方便） |
我个人更偏爱Yolo v5，原因很简单——PyTorch生态太香了。转ONNX、转TensorRT，一条龙服务。我在RK3588上部署Yolo v5s，INT8量化后只有4MB，跑起来60 FPS稳稳的。
Yolo v6 & v7 & v8：百花齐放
2022到2023年，Yolo家族进入了爆发期：
- Yolo v6（美团）：面向工业场景，强调部署效率
- Yolo v7：提出E-ELAN和Model Scaling，精度速度双提升
- Yolo v8（Ultralytics）：目前最火的版本，支持检测、分割、姿态估计
避坑指南：我曾经在选型时纠结过v7还是v8。后来发现，如果你的项目需要同时做检测和分割，直接上v8。如果只做检测且对延迟要求极高，v7的tiny版本可能更合适。别盲目追新，适合的才是最好的。
Yolo的核心思想：单阶段检测
Yolo为什么快？说白了就一句话：一步到位。
传统的两阶段检测器（比如Faster R-CNN）分两步走：
- 第一步：用RPN生成候选区域（Region Proposal）
- 第二步：对候选区域进行分类和回归
Yolo的做法就粗暴多了：
- 把图片分成网格
- 每个网格直接预测边界框和类别
- 一次前向传播，搞定所有
你想想看，两阶段检测器就像"先圈出可疑区域，再仔细检查"，Yolo则是"扫一眼全图，直接说哪里有东西"。速度差距自然就出来了。
Yolo检测流程（简化版）：
输入图片 → 特征提取 → 网格划分 → 每个网格预测：
- 边界框 (x, y, w, h)
- 置信度 (objectness)
- 类别概率 (class probabilities)
→ NMS去重 → 输出检测结果我在部署时经常跟团队说：Yolo的网格设计天然适合并行计算。每个网格的预测是独立的，GPU可以同时处理所有网格。这也是为什么Yolo在边缘设备上能跑得这么溜。
Yolo与其他检测模型的对比
做嵌入式部署，选模型就像选工具。我整理了个对比表，你看看：
| 模型 | 类型 | 速度 | 精度 | 小目标 | 部署难度 |
|---|---|---|---|---|---|
| Yolo v8 | 单阶段 | ★★★★★ | ★★★★ | ★★★ | ★（简单） |
| Faster R-CNN | 两阶段 | ★★ | ★★★★★ | ★★★★★ | ★★★★（复杂） |
| SSD | 单阶段 | ★★★★ | ★★★ | ★★ | ★★（较简单） |
| RetinaNet | 单阶段 | ★★★ | ★★★★ | ★★★ | ★★★（中等） |
说说我的实际感受：
- Faster R-CNN：精度确实高，小目标检测也强。但速度嘛...我在Jetson Nano上试过，跑一次要500ms，做实时检测基本没戏。
- SSD：速度不错，但精度比Yolo差一截。特别是小目标，SSD的底层特征图分辨率不够，容易漏检。
- RetinaNet：用Focal Loss解决了正负样本不平衡问题，精度接近两阶段。但模型体积大，边缘设备上跑起来有点吃力。
- Yolo系列：速度精度平衡得最好。特别是v8，在边缘设备上做INT8量化后，精度损失控制在1-2%以内，速度却能翻倍。
我的选型建议：
如果你做的是边缘计算设备部署，优先考虑Yolo v5或v8。v5的生态最成熟，各种部署工具链都支持。v8功能更全，但有些边缘设备上的算子优化还不够完善。选型时先确认你的目标平台对哪个版本支持更好。
好了，Yolo的简介就聊到这儿。下一章我会带你手把手搭建Yolo的部署环境，从模型导出到边缘设备上跑起来，咱们一步步来。有什么问题，欢迎在课程群里交流。