YOLO全称 You Only Look Once（你只看一次） ，是经典的**单阶段（One-Stage）目标检测算法，**相比传统检测算法分两步：先找候选区域，再识别类别。
通用网络结构：输入图片 → Backbone 主干网络提取特征 → Neck 颈部做多尺度特征融合 → Head 检测头输出目标框、类别置信度。
各版本核心区别总结
-
v1-v2：算法雏形，解决「能不能检测」的问题，缺陷极多，已淘汰
-
v3：经典基线，奠定多尺度检测架构，适合老旧项目学习
-
v4：trick堆叠优化，精度提升，无架构创新
-
v5：工程天花板，部署简单，生态成熟，老项目首选
-
v7：轻量高效，速度优先，适合低算力设备
-
v8：全能通用，多任务统一，新手、毕设、项目通用稳妥选择
-
v9：算法创新强，擅长微小、复杂目标，适合科研创新
-
v10：无NMS端到端，极致速度，纯实时检测首选
-
YOLO11：均衡之王，速度、精度、多任务、部署全面均衡，生产最优解
-
YOLO26：边缘部署天花板，专为嵌入式、CPU低算力设备打造
YOLOv1（2015 年，Joseph Redmon，开山之作）
把图片切分为 7×7=49 个网格。物体中心落到哪个网格，就由该网格负责预测这个物体。
一个网格只能预测一个物体；小目标检测效果很差；边界框定位精度低，没有 BN 层。
缺陷：两个物体中心点落在同一个网格内，仅能识别其中一个目标。
YOLOv2 / YOLO9000（2016 年， 工程优化雏形）
属于 v1 的迭代补丁版本，两大核心改进：
- Anchor 锚框机制：使用 K‑means 聚类得到数据集物体尺寸模板，网络只对锚框做偏移微调，框的位置更加准确；
- 加入 BN 层，去掉全连接层，全部使用卷积，支持多尺度训练，可实现 9000 类物体识别。
预先聚类生成多组矩形锚框模板，网络基于锚框做偏移，不再从零回归框坐标。
YOLOv3（2018 年， 经典永流传）
骨干网络 Darknet‑53，引入FPN 特征金字塔，3 尺度输出：
- 52×52 大特征图（放大镜）：专门检测小物体
- 26×26 中等特征图：检测中等物体
- 13×13 小特征图（广角）：检测大物体
基于锚框，推理结束后依赖 NMS 去除重复框。
YOLOv4（2020 年 ，Alexey Bochkovskiy，炼丹集大成者）
集合当年所有CV最优trick，CSPDarknet53骨干、SPP空间金字塔池化、PANet特征融合、Mosaic数据增强、CIoU损失、Mish激活函数，全方位碾压v3。
YOLOv5（2020‑06‑26，Ultralytics， 工业爆款）
无顶会正式论文，纯工程向开源项目，但凭借极致的工程优化封神。
自适应锚框、超强数据增强、轻量化模型梯度（n/s/m/l/x多尺寸）、一键导出ONNX/TensorRT，部署难度极低。
模型规格 n/s/m/l/x：n 最轻最快精度低；x 最大最慢精度最高。
YOLOv6（2022 年，美团）
面向工业嵌入式部署，主打 CPU 高速推理。
核心：EfficientRep 重参数化卷积、Rep‑PAN 颈部结构。
YOLOv7（2022‑07‑06， 高效轻量标杆）
提出ELAN高效特征聚合模块、结构重参数化、辅助训练头，在同等推理速度下精度远超v5/v4，参数量更小、效率更高。
YOLOv8（2023‑01‑10，Ultralytics， 全民通用基线）
Ultralytics官方重构版本，统一检测、分割、姿态估计、分类四大任务；全新C2f特征模块、优化PAN-FPN融合、Task-Aligned正样本分配，大幅提升密集、小目标检测效果。
YOLOv9（2024‑02， 梯度信息革新）
提出PGI可编程梯度信息、GELAN高效模块，解决深层网络特征丢失、梯度退化问题，在小模型尺度下精度大幅提升。
YOLOv10（2024‑05‑23，清华大学， 首个无NMS端到端YOLO）
彻底摒弃传统NMS后处理，实现真正的端到端推理，解决NMS带来的推理延迟、画面闪烁问题；双分支解耦检测头，速度、精度双突破。
YOLO11（2024‑09‑27，Ultralytics， 全能均衡王者）
全新C3K2模块，参数量、计算量相比v8降低22%，精度反向提升；优化多任务架构，检测、分割、姿态、旋转框能力全面拉满；训练显存占用更低，普通显卡即可训练。
YOLO26（2026‑01‑14，Ultralytics， 边缘部署终极形态）
Ultralytics最新官方版本（无v前缀），基于v10端到端思想，彻底移除DFL损失与NMS后处理；新增STAL小目标感知标签分配、ProgLoss渐进损失、MuSGD优化器；CPU推理速度提升43%，嵌入式设备适配性拉满。
版本对比总表
| 版本 | 发布时间 | 锚框机制 | 是否去除 NMS | 核心特点 | 适合场景 |
|---|---|---|---|---|---|
| YOLOv3 | 2018 | Anchor‑based | ❌ | 多尺度 FPN，经典基线 | 学习、论文对比实验 |
| YOLOv5 | 2020 | Anchor‑based | ❌ | 上手简单，生态庞大 | 旧项目、快速原型开发 |
| YOLOv8 | 2023 | Anchor‑Free | ❌ | 解耦头，多任务全能 | 毕设、竞赛、通用工程 |
| YOLOv10 | 2024.05 | Anchor‑Free | ✅ | 清华端到端，去除 NMS | 机器人、低延迟系统 |
| YOLO11 | 2024.09 | Anchor‑Free | ❌ | 加入注意力，擅长重叠小目标 | 嵌入式，追求高精度 |
| YOLO26 | 2026.01 | Anchor‑Free | ✅ | 砍掉 DFL，CPU 速度暴涨，边缘优化 | 树莓派、Jetson、无人机 |
场景化选型指南
1. 本科毕设/课程设计
首选 YOLO11 / YOLOv8：版本新、参考文献多、开源案例丰富、不易翻车，可做改进创新、系统部署，适配绝大多数检测、分割课题。
2. 工业落地/实时监控
通用场景：YOLO11；嵌入式/低算力场景：YOLO26；高速视频检测：YOLOv10。
3. 科研创新/论文投稿
基础创新：YOLO11；小目标/复杂场景创新：YOLOv9；端到端部署创新：YOLO26/v10。
4. 轻量化移动端部署
优先 YOLO26、YOLOv10-n、YOLO11-n，速度快、显存占用低，适配手机、单片机、边缘盒子。