【基础篇 01】YOLO 到底在做什么？先从一张图片看明白

YOLO从零到论文：模型改进与科研实战全攻略

YOLO基础篇 · A01

作者：迪菲赫尔曼

先读专栏开场白

开始第一课：先认识 YOLO

这一篇，我们正式开始新专栏的学习。

我知道，有些同学已经接触过 YOLO，可能也跑过几次训练；但也有同学是第一次接触，老师给了一个方向，自己连代码应该放在哪里都还没弄清楚。

所以，咱们从头来。第一篇先不安装软件，也不着急复制一段训练代码。我们先把一个问题讲明白：给 YOLO 一张图片，我们究竟想让它做什么？

这个问题弄清楚，后面收集什么数据、怎么标注、选择哪种模型，才有依据。

至于卷积、网络结构、损失函数，我们后面都会讲，而且会和实际操作穿插起来。今天先建立一个能看懂结果的认识，不需要提前学高等数学。

---

1. 先看图：人能看懂，电脑需要学

配套资料里有一张街景图片：

你看这张图，应该很快就能说出：这里有一辆公交车，旁边有行人。

但如果再问得具体一点：

• 图片里哪些地方是人？
• 每个人分别在哪里？
• 公交车的范围有多大？

我们的回答就不只是"这是一张街景图"了，还要指出具体位置。

目标检测，就是让模型尝试回答"有什么、在哪里"这两个问题。

这里的"目标"，指的是我们想识别的对象。它可以是人、汽车，也可以是你研究中的果实、害虫、零件、缺陷。

不过，想识别什么，并不是在文章里把名字改一下就能做到。后面我们需要准备对应的数据，让模型有机会学到这些对象的特征。

1.1 图片到了电脑里是什么？

我们看的是一张完整照片，电脑读取后处理的则是数字。

先想象把照片放大很多倍，会看到一个个小格子，每个小格子对应一个像素。彩色图片可以用红、绿、蓝三个通道的数值描述颜色。

看这张图：左边红框圈出照片里很小的一块，中间把这一块放大，每个小格仍然对应原来的一个像素。黄色框选中的像素，读取后是 R=253、G=244、B=247；这三个值共同描述它的颜色，不是三种目标类别。图中的格子只是为了让你看清原有像素，放大没有给照片增加新细节。

图片和数值来自本教程的真实照片。这里先理解"颜色可以用数字表示"，不用记住这三个数，也不用跟着计算。

现在不用记存储格式，也不用计算这些数字。先理解一件事：模型接收的是经过读取、整理的图像数据，并没有一个和人一样的"看图窗口"。

后面讲张量时，我们会把这件事接到 B、C、H、W 上。今天先记住，图片能转成数字，模型才能对它进行计算。

1.2 模型是不是去网上搜了一张相似图片？

我们这套课程里使用的 YOLO，做预测时主要根据模型参数对输入图片进行计算。它不需要每次拿到一张图，就去网上搜索同款图片。

可以先把过程想成：

输入图片
   ↓
整理成模型能够处理的数据
   ↓
模型进行计算
   ↓
整理预测结果
   ↓
画框、显示类别，或者显示其他任务的结果

这张流程图是概念说明。具体怎么整理数据、输出怎么解读，后面会对着代码展开。

---

2. 检测结果里的框、文字和数字，各表示什么？

先看一张已有的检测结果：

这是用于认识输出形式的已有示例，不是本篇刚运行的新模型结果；图中预测也可能出现错误。

先看公交车，再看行人。它们周围出现了矩形框，框旁边还有文字和数字。

咱们把它拆成三部分。

2.1 框：模型认为目标大致在哪里

矩形框叫作边界框，也常写成 bounding box。

它用一个矩形表示目标的位置和范围。

注意看公交车的框：框里面除了车，也可能包含一些背景。因为公交车的轮廓并不是一个完美的矩形，矩形框只是用比较简单的形式把它包围起来。

所以，检测框并不等于把公交车的每一个像素都抠出来。这一点，等会儿和分割对比就清楚了。

框也不要求永远画得正好。模型有可能画大、画小、漏掉目标，或者把背景当成目标。我们后面学习评价指标，就是要有办法衡量这些问题。

2.2 类别：模型把这个目标判断成什么

person 表示人，bus 表示公交车。

我们称这些名称为类别。

先区分"一个类别"和"一个目标"：同一张图里可能有三个人，他们属于同一个 person 类别，但可以是三个不同的目标，各有自己的框。

再举一个贴近课题的例子。假设你做苹果检测，类别只有 apple 一个，图片里有五个苹果。即使类别只有一种，模型仍然可能需要输出五个苹果的位置。

因此，类别数量和图片里的目标数量，是两回事。

2.3 数字：这一次预测的置信度

假设某个预测旁边写着：

person 0.87

这行文字的意思是：模型把这一个候选目标判断为 person，并给了它一个 0.87 的置信度分数。

有的界面会把分数显示成百分数。但不要顺手把它说成"模型准确率 87%"，也不要认为它就是经过严格校准的正确概率。

它描述的是这一次预测的分数；评价整个模型，需要在一批有正确答案的数据上计算指标。

比如，模型对十张图片中的一个框很有信心，不代表另外九张都预测正确。反过来，一个看起来分数很高的框，也可能认错。

后面第一次预测时，我们会调整显示结果的置信度阈值，观察框的数量如何变化。现在先别急着调参数，把"单个预测分数"和"整个模型的评价指标"分开就可以了。

---

3. 框的位置怎么变成数字？

我们用手指一下屏幕，说"车在这里"，人可以理解。程序要记录位置，就需要具体的数值。

为了好理解，咱们单独设一个例子：

图片宽：640 像素
图片高：480 像素

某个目标的框：
左上角 (100, 80)
右下角 (300, 280)

这些数字是讲解用的假设值，不是上面街景图的实际测量结果。

通常按左上角为原点来理解，横向往右是 x 增大，纵向往下是 y 增大。

先找到两个角点，再做坐标差；这不是街景图的实测坐标。

那么，这个框的宽度是多少？

300 - 100 = 200

高度是多少？

280 - 80 = 200

这就把"一个位置范围"表达成了可以计算的数字。

以后会看到不止一种框的表示方法，比如两个角点，或者中心点加宽高。有的数值还会按图片尺寸归一化。我们学标注格式时再转换，现在不要求记全部写法。

今天只要能解释：检测结果既要有类别，也要有位置；位置不是一句文字，而是可以存储、比较和计算的数值。

---

4. 同样处理图片，检测、实例分割和分类有什么区别？

新专栏会围绕检测、实例分割、分类做例子。先把它们的目标分清，后面就知道自己该走哪条路线。

4.1 目标检测：找出对象，并给出框

还是刚才的公交车例子。

如果我们希望找到每辆车、每个人，并知道大致位置，就可以考虑目标检测。

输入：一张街景图
输出：若干个目标，每个目标有类别、框和分数

注意，"若干个"也可能是零个。没有检测结果，不一定是程序没有运行，也可能是没有符合条件的预测。到第一次运行时，我们会具体排查。

4.2 实例分割：进一步给出每个对象的区域

看下面的结果：

同样用于认识输出形式。不同颜色帮助我们区分预测对象，不能仅凭颜色判断类别或预测是否正确。

和刚才只看矩形框相比，现在还能看到贴着对象形状的彩色区域。

这个区域叫作掩码，英文是 mask。你可以先把它理解成：模型指出了哪些像素属于这个对象。

"实例"强调一个一个具体对象。比如两个人站在一起，实例分割要尽量把他们分别表示出来，而不只是给出一整块"有人"的区域。

它也可能出错，边缘不齐、漏分、错分都需要评价。不要把分割理解成"天然比检测准确"，两者要完成的工作不同。

比如你研究叶片，如果只需要知道叶片在哪里，检测框可能就能服务当前目标；如果还需要分析叶片形状或区域，分割才提供了更细的区域信息。具体选哪种，还要看数据、标注成本和研究问题。

这里说的是实例分割。语义分割也会给像素分配类别，但通常不区分同类别里的不同个体，后续拓展篇再讲。

4.3 图像分类：判断整张输入图更像哪一类

再看分类示例：

这个例子回答的是"这张输入图属于什么类别"，没有为图里的每一只狗分别画框。

输入：一张图片
输出：类别及相应分数

假设你的任务是判断一张已经裁剪好的零件图片是"合格"还是"不合格"，可以先考虑分类。

但如果一张照片里有十个零件，要分别找到其中哪几个不合格，整图分类就不能直接提供每个零件的位置。你需要重新分析任务，可能要检测，也可能要组合多步处理。

课题名称里有"识别"两个字，并不能直接决定用哪种任务。先看你最终需要的输出。

4.4 放在一起比较

你希望模型回答的问题	先考虑的任务	你要看的主要结果
有哪些对象，分别在哪里？	目标检测	类别和边界框
每个对象具体占了哪些像素？	实例分割	类别、对象掩码等
整张输入图属于哪一类？	图像分类	类别及分数

Ultralytics 还支持其他任务；任务边界可以参考官方任务说明。我们先把这三种学扎实，再扩展。

---

5. 模型是怎么学会的？先分清训练和预测

举个例子：我们希望模型识别月饼。

你只把一张月饼照片交给电脑，并说一句"以后都帮我识别"，电脑并不会因此自动学会你的任务。

在常见的监督学习流程里，我们需要提供一批图片，以及对应的标注。

标注就是为训练提供的参考答案。不同任务的答案形式不同：

任务	一张图片的标注，直观上提供什么
检测	哪些位置有月饼，每个框是什么类别
实例分割	每个月饼对应的区域，以及类别
分类	这张输入图属于哪一类

同一张原图可以用于不同任务，但标注不会自动互相等价。检测框里没有完整的像素轮廓，不能直接当作精细分割的真实答案。

5.1 训练：利用数据调整模型参数

训练过程中，模型先给出预测，然后根据预测与标注之间的差异计算损失，再通过优化过程调整参数。这个过程会重复很多次。

先把损失理解为训练使用的一种衡量差异的数值，不要先把它当成最终论文指标。

具体有哪些损失、不同任务怎么计算，我们会在能跑通训练之后，用实际输出和代码来讲。今天先知道训练不是"把图片存进一个文件夹"，它还发生了参数的学习与更新。

5.2 预测：使用已有参数处理输入

有了训练好的模型，再给它一张图片，让它输出结果，这个过程叫预测，也经常叫推理。

训练：图片 + 标注 → 学习与调整参数 → 得到模型权重
预测：图片 + 已有模型权重 → 得到预测结果

先看上半部分：模型先试着框月饼，再和人工标注的参考答案比较，根据差异调整参数，反复学习后保存权重。下半部分则是加载已有权重，对新图片输出结果，普通预测不根据这张图片更新参数。

这是概念示意图，月饼、检测框和参数旋钮都是讲解用的画面，不是训练实测结果；旋钮只是在表示"参数可以被调整"，模型并不是一台真的旋钮机器。

后面我们会先用官方已经训练好的权重做预测，再训练自己的数据。

这样安排是为了先把输入、命令、输出文件这些操作走通。第一张结果图跑出来以后，你就知道整个程序在做什么了。

5.3 权重是什么？为什么会有 .pt 文件？

可以先把权重理解成模型学习得到的一组参数。后面的 .pt 模型文件会用于保存和加载相关模型信息。

但是，有了文件不等于它能识别任何对象。某个模型如果没有针对你的类别、数据分布学习过，就不能因为你把文件改名成"月饼模型.pt"，便获得月饼识别能力。

后面还会学习预训练、迁移学习、验证集和测试集。这里先把最基本的关系接起来：图片是输入，标注服务于学习和评价，权重保存学习得到的模型信息，预测结果则是运行后的输出。

---

6. YOLO 和 Ultralytics，为什么经常一起出现？

YOLO 这个名字来自 You Only Look Once ，可以对照最初的 YOLO 论文理解这个名称的由来。在这里先把它看作目标检测方法及其后续发展的一个系列。

名字里的"Once"不要理解成"训练只看一次图片"，也不是说模型内部只有一步计算。训练仍然可能反复遍历数据，模型内部也有许多层。

Ultralytics 则提供了我们课程将使用的 Python 软件包、模型实现和训练、验证、预测等工具。

你以后看到：

安装 ultralytics
加载某个 YOLO 权重
调用训练或预测接口

这几件事分别涉及软件、模型和运行过程，不是三个互不相干的项目。

不同 YOLO 版本的结构和训练细节会变化。所以，新专栏会在实战开始时写清楚实际使用的代码版本与权重，后面的修改也围绕固定基线展开。不会让大家拿着一套版本的教程，去猜另一套源码里的对应位置。

6.1 YOLO 是怎么一路发展过来的？先认识这张地图

你以后查资料，会看到 YOLOv3、YOLOv5、YOLOv8、YOLO11、YOLO26，也会看到 YOLOv6、YOLOv7、YOLOv9、YOLOv10、YOLOv12、YOLOv13。

第一次接触，很容易以为它们和手机系统一样，都是同一家公司按顺序更新出来的：学最新的，就把前面的全部覆盖了。

这里先纠正一个认识：YOLO 的发展有多支团队参与。版本名里的数字，不能单独用来判断作者、代码是否兼容，或者哪个模型一定更适合你的课题。

下面这张图只选取代表节点，让你先有一个整体印象。年份按早期论文公开或项目发布所在年份标记，不把所有会议发表年份、后续代码大版本都挤进来。

这是一张历史认知图，不是精度排行榜，也不表示图中相邻项目都有直接的代码继承关系。资料核对截至 2026 年 10 月 22 日。

6.2 第一阶段：YOLO 把什么事情做得不一样？

回到 2015 年公开的最初论文。作者 Joseph Redmon 等人把目标检测表述为：直接从整张图片预测目标框和类别相关输出，通过一个统一网络完成主要计算。

你现在可以联系前面的街景图来理解：我们希望把"公交车是什么"和"公交车在哪里"一起变成模型的预测结果，同时重视运行速度。

它的意义不只是名字里那个"看一次"，而是提供了一种兼顾整体检测流程与速度的思路。这里不要求你比较所有早期检测方法，更不要把"看一次"理解成只有一层网络。

随后，Redmon 和 Ali Farhadi 又公开了 YOLOv2、YOLOv3。它们持续改进检测能力；你后面学习到的锚框、多尺度预测等概念，可以放回这一段历史里理解。

现在不懂"锚框"也没关系，先把它当成后面要学习的一种框预测设计。我们不会在这里先塞一整套陌生公式。

这一阶段的原始资料，分别是 YOLO 论文、YOLO9000／YOLOv2 论文、YOLOv3 技术报告。它们公开于 2015、2016、2018 年；不要把首次公开年份与会议发表年份混为一谈。

6.3 第二阶段：有更多团队参与，路线开始丰富

到了 2020 年，YOLOv4 和 Ultralytics YOLOv5 都成为重要节点，但它们并不是同一份项目换了两个名字。

YOLOv4 的作者是 Alexey Bochkovskiy、Chien-Yao Wang 和 Hong-Yuan Mark Liao，论文研究了网络、训练方法等多种因素如何组合。你可以先理解成：检测效果的提升，不只来自"加一个新模块"，训练策略和整体设计同样重要。见 YOLOv4 原论文。

Ultralytics 的 YOLOv5 则对应另一套广泛使用的 PyTorch 工程项目。对跟着教程做实验的人来说，训练、预测、验证、导出等工具组织得怎么样，直接影响上手和复现实验的过程。原项目见 ultralytics/yolov5，2020 年的发布信息可查官方模型说明。

注意：原 YOLOv5 仓库与后来 ultralytics 包中的 YOLOv5u，也不能仅凭名字相似就当成完全兼容。跟教程时，仓库、代码版本、权重都需要对应。

再往后，美团团队的 YOLOv6 重视工业应用，YOLOv7 的研究则关注网络设计和训练方法等问题。两者都在 2022 年出现，但并不是因为编号相邻，就能把一个项目里的修改步骤原封不动搬到另一个项目。可以分别查 YOLOv6 项目、YOLOv6 报告和 YOLOv7 论文。

"基于哪个项目做的"，是科研实验里需要交代的信息，不能只写一个 YOLO 名字就结束。

6.4 第三阶段：多任务工具与新研究方向一起发展

2023 年，Ultralytics 发布 YOLOv8。我们的旧教程主要围绕这一阶段的代码展开。它不仅是模型名称，也和统一的 Python 调用方式、命令行及多任务工作流程联系在一起，见官方 YOLOv8 说明。

2024 年，又出现了不同方向的代表工作：

项目	主要团队或作者线索	现在先记住的研究侧重
YOLOv9	Chien-Yao Wang、I-Hau Yeh、Hong-Yuan Mark Liao	研究训练中的梯度信息，并提出 PGI、GELAN
YOLOv10	Ao Wang 等作者，THU-MIG 项目	研究不依赖传统 NMS 后处理的端到端检测，以及效率设计
Ultralytics YOLO11	Ultralytics	继续迭代模型及其多任务使用流程

PGI、GELAN、NMS 这些缩写目前只作为路标，不要求背全称，更不要求现在推导。比如 NMS，你先知道它与整理、筛选预测框有关；到后处理原理篇，我们再拿重叠框实际演示。

对应资料：YOLOv9 原论文、YOLOv10 原论文、YOLO11 官方说明。

2025 年，YOLOv12 研究以注意力为中心的实时检测设计；YOLOv13 则研究超图增强的相关性建模等方向。它们各有论文作者和项目。即使某份代码基于 Ultralytics 改造，也不代表它就是由 Ultralytics 发布的下一代官方模型。分别见 YOLOv12 原论文、YOLOv13 原论文与作者项目。

2026 年，Ultralytics 又发布了 YOLO26。官方资料强调端到端推理、检测头和训练方案等方面的更新。这些术语背后的代码细节，我们会在后面的实战与源码篇展开，见 YOLO26 官方说明。

截至本篇资料核对时，YOLO26 是 Ultralytics 已发布的新一代模型，YOLO27 仍列为尚未发布的预告。不能把等待名单或预告页面，当成已经可复现的正式基线。发布状态以官方模型总览为准。

这里没有把每个分支、每篇使用 YOLO 名称的论文都收进来。我们的目的，是让你知道这片领域有原始研究、不同团队的模型工作，以及具体工程框架这些不同层次。

6.5 看完历史，新手选模型时到底看什么？

不要从"哪个数字最大"开始，先把下面三件事写清楚：

1. 做什么任务。 要的是框、每个对象的区域，还是整图类别？某个模型的检测代码，并不意味着自动具备你要的全部任务。
2. 用哪份代码。 是论文作者仓库、Ultralytics 官方仓库，还是别人改造的版本？不同实现要分别核对。
3. 怎么比较。 数据划分、训练配置、输入尺寸和设备条件是否一致？不能拿不同条件下的截图分数，直接断言一个版本永远更好。

这套专栏以 Ultralytics 当前代码为实践主线。到正式安装和训练时，我们会固定代码版本、模型配置、权重与运行环境，再围绕它们做修改；历史版本用来帮助理解和对照。

你不需要从 YOLOv1 一直训练到 YOLO26，才有资格进入后面的课。先建立一张地图，之后学到多尺度特征、损失函数或后处理，再把这些知识放回地图里。这样读论文和源码，会比只记一串版本号更有方向。

---

7. 接下来怎么学？先让每一步都有落点

现在不要求你立刻读懂模型源码。

接下来四篇，我们依次完成：

认识文件、文件夹和路径
   ↓
用 VS Code 打开目录，创建并保存代码
   ↓
认识终端，知道命令在哪输入、当前在哪里
   ↓
读懂最小 Python 代码，知道自己改了什么

再往后准备 Python 环境、安装软件、核对运行位置，真正执行第一份程序，再做第一次 YOLO 预测。

操作不是学完一次就结束。后面遇到数据集和配置文件，我们还会回到路径；遇到训练命令，我们还会检查环境；看模型结构时，再把张量、卷积和网络层接进来。

前几篇不需要先买显卡，也不需要先租服务器。先用手里的电脑完成文件操作和代码阅读。到了训练阶段，再根据任务和实验规模选择设备。

最终我们要学的不只是"复制一份能运行的代码"，还要能解释改了哪里、为什么改、结果如何验证。论文实验同样要靠实际问题、合理设计和证据来支撑，不能靠堆模块保证结果。

---

8. 读完这一篇，先对自己的方向有个认识

这一篇是认识 YOLO 的原理导读，不需要安装、运行，也没有必须完成的操作作业。读到这里，先对任务、训练预测和发展路线有一个印象就可以。

如果你已经有课题，可以顺手记下下面三件事；暂时没有，也可以直接继续阅读。第三篇建立学习记录时，再一起填写。

8.1 我想处理什么图片？

例如：

我想处理果园里的苹果图片。

还没有自己的课题，可以写：

先使用课程提供的街景图片，认识行人和公交车。

8.2 我希望得到什么结果？

不要只写"识别苹果"，试着具体一点：

我希望找到每个苹果，并画出它的位置框。

这更接近检测。

如果写的是"把每个苹果的像素区域分开"，则更接近实例分割；如果写的是"判断裁剪好的单个苹果图片属于哪个品种"，则更接近分类。

暂时分不清，可以先把需要的结果画出来。后面再根据这个结果讨论任务。

几个值得带走的认识

同一个类别可以有多个具体目标，每个目标都可以有自己的检测框。框旁边的置信度是单个预测的分数，不等于整个模型的准确率。

检测、实例分割、分类，主要区别在于要回答的问题和输出形式。选择任务时，先想清楚自己需要得到什么结果。

训练利用数据调整参数，预测使用已有参数处理输入。YOLO 后续发展有不同团队参与，编号不能代替对作者、代码来源和实验条件的核对。

不需要背完所有年份和缩写。以后遇到具体网络、损失和代码，再回头看这张地图，会逐渐把认识接起来。

下一篇开始动手，咱们在电脑里建立自己的学习目录。🍀

下一篇：基础篇 02｜文件、文件夹和路径