共计 1181 个字符，预计需要花费 3 分钟才能阅读完成。

YOLO 算法发展历程图

（注：此处应插入按时间轴排列的 YOLO 版本演进示意图，标注关键改进点和发布时间）

各代 YOLO 核心改进对比

1. YOLOv1 (2016)
2. 首次提出单阶段检测思想
3. 将检测任务转化为回归问题
4. 主干网络：24 层卷积 + 2 层全连接
5. 优势：实时性（45FPS）

6. 不足：小目标检测效果差

7. YOLOv2 (2017)

8. 引入 Batch Normalization
9. 使用高分辨率分类器
10. 提出 Anchor Box 机制
11. 新增 Darknet-19 主干网络

12. 性能提升：mAP 从 63.4%→78.6%

13. YOLOv3 (2018)

14. 采用多尺度预测（3 种尺度）
15. 引入残差结构
16. 使用 Darknet-53 主干网络

17. 改进：小目标检测效果显著提升

18. YOLOv4 (2020)

19. 引入 CSPNet 结构
20. 添加 SPP 模块
21. 使用 Mish 激活函数
22. 采用 PANet 特征金字塔

23. 速度：65FPS@Tesla V100

24. YOLOv5 (2020)

25. 采用 Focus 结构降采样
26. 引入自适应锚框计算
27. 使用 PyTorch 框架实现

28. 优势：训练部署更便捷

29. YOLOv6 (2022)

30. 重参数化设计
31. 自蒸馏策略
32. 硬件友好架构

33. 适合移动端部署

34. YOLOv7 (2022)

35. 模型缩放技术
36. 规划重参数化卷积
37. 提出 ” 扩展 ” 和 ” 复合缩放 ” 方法

38. 实时性：161FPS@AP50.9

39. YOLOv8 (2023)

40. 无锚点设计
41. 任务特定解耦头
42. 改进的损失函数
43. 支持分类 / 检测 / 分割多任务

版本选型指南

• 工业检测：YOLOv5/v8
• 移动端应用：YOLOv6
• 学术研究：YOLOv7
• 历史项目维护：YOLOv3/v4

YOLOv5 实践示例

import torch
from models.experimental import attempt_load
from utils.general import non_max_suppression

# 1. 加载预训练模型
model = attempt_load('yolov5s.pt', map_location='cpu')

# 2. 图像预处理
def preprocess(img):
    img = torch.from_numpy(img).float()
    img /= 255.0  # 归一化
    if img.ndimension() == 3:
        img = img.unsqueeze(0)
    return img

# 3. 推理检测
def detect(image):
    img = preprocess(image)
    pred = model(img)[0]
    pred = non_max_suppression(pred, conf_thres=0.25, iou_thres=0.45)
    return pred

部署常见问题

1. 显存不足
2. 解决方案：减小 batch size

3. 使用 –img-size 640 替代默认尺寸

4. 检测框抖动

5. 调整 conf-thres 和 iou-thres

6. 添加视频稳定后处理

7. 小目标漏检

8. 增大输入分辨率
9. 使用多尺度测试

思考题

在小样本场景下如何优化 YOLO 模型？
（提示方向：数据增强、迁移学习、半监督方法等）