YOLO 是什么：概念与核心术语
一、YOLO 是什么：概念与核心术语
YOLO 是 You Only Look Once 的缩写，代表一类单阶段目标检测算法：把图像一次性送进网络，直接回归出所有目标的类别与边框，不需要像两阶段方法那样先产生候选区域再逐个分类。它的直接后果是速度快、结构简单，能跑在从服务器到边缘设备的各种算力上，因此成了工业视觉里最常用的检测方案之一。
它解决的问题是「在图像里同时回答『是什么』和『在哪里』」。图像分类只回答是什么，语义分割给出像素级类别但不区分数个体，目标检测两者兼顾，是抓取、计数、缺陷定位、安全帽识别这类任务的基础。
与相邻方案的比较
| 方案 | 输出 | 特点 |
|---|---|---|
| YOLO 系列 | 类别加矩形框 | 单阶段，速度快，精度足够，生态与部署工具最成熟 |
| 两阶段检测器 | 类别加矩形框 | 小目标与密集场景往往更精细，速度较慢 |
| 图像分类网络 | 整图类别 | 只判断有无，不给位置，适合做二分类质检 |
| 语义分割网络 | 像素类别 | 能给出轮廓与面积，适合划痕、脏污这类不规则缺陷 |
| 实例分割网络 | 像素类别加个体区分 | 既要分割又区分个体，标注成本高、推理更重 |
核心术语表
| 术语 | 含义 | 说明 |
|---|---|---|
| Anchor | 预设的参考框 | 早期版本依赖它；后来的版本走向无锚框设计 |
| IoU | 两个框的交并比 | 判断预测框与真值框「算不算命中」的基本量 |
| NMS | 非极大值抑制 | 把同一个目标上的重复框去掉，只留最可信的一个 |
| 置信度阈值 conf | 低于它就不输出 | 调高减少误检，调低减少漏检 |
| IoU 阈值 | NMS 与评估中判定重叠的门限 | 影响密集场景下框的保留数量 |
| mAP | 平均精度均值 | 评估检测质量的核心指标，分母含义不同会得到多个变体 |
| letterbox | 保持长宽比缩放到固定输入尺寸 | 训练与推理必须用同一种预处理，否则精度掉得莫名其妙 |
| 数据增强 | 训练时随机变换图像 | 马赛克拼接、翻转、色彩抖动是常用手段 |
| 导出 ONNX / TensorRT | 把权重转成部署格式 | 推理加速的关键一步，直接影响能否满足节拍 |
