YOLO 的背景介绍与起源

1. 前言

前面讲解了 PaddleOCR，都是基于 OCR（Optical Character Recognition，光学字符识别） 的技术。今天介绍 YOLO，是一种目标检测（Object Detection）算法。

虽然二者都是基于图片做识别，但二者有些区别。

1.1. Object Detection

• 定义：目标检测（Object Detection），在图像或视频中自动找到并定位特定类别的物体，同时给出物体类别和位置（通常用边界框表示）。

• 核心任务：

  1. 定位（Localization）：确定物体在图像中的位置（bounding box）。
  2. 分类（Classification）：判断该位置上的物体属于哪一类。

• 输出：

  • 类别标签（如“人”、“汽车”、“猫”）
  • 坐标位置（x, y, w, h 或四点坐标）

• 典型算法：

  • 一阶段（One-stage）：YOLO 系列、SSD、RetinaNet
  • 二阶段（Two-stage）：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN

1.2. OCR

• 定义：OCR（Optical Character Recognition，光学字符识别），在图像或扫描文档中检测文字区域，并识别出文字的具体内容。

• 核心任务：

  1. 文字检测（Text Detection）：找到文字区域的位置。
  2. 文字识别（Text Recognition）：将文字区域转换成可编辑的文本（字符串）。

• 输出：

  • 文字内容（例如 "Hello World"）
  • 坐标位置（文字区域的边界框或多边形）

• 典型算法：

  • 文字检测：EAST、CRAFT、DBNet
  • 文字识别：CRNN、Attention-based models、Transformer-based models
  • 工具框架：Tesseract OCR、PaddleOCR

1.3. 对比

1. 任务目标不同

   • 目标检测：找到并分类物体
   • OCR：找到并识别文字内容（不仅分类，还要解码成字符串）

2. 输出信息不同

   • 目标检测：类别标签 + 坐标
   • OCR：文字内容 + 坐标

3. 技术结构不同

   • 目标检测：检测网络（单阶段/双阶段）
   • OCR：检测网络 + 识别网络（两步）

4. 数据特征不同

   • 目标检测：多样化的物体形状
   • OCR：规则排列的字符形状，字符集很大

5. 关系

   • OCR 的文字检测阶段可以用目标检测算法实现（例如用 YOLO 检测文字区域），但 OCR 额外有识别步骤。

应用场景对比

场景类型	目标检测	OCR
交通	行人检测、车辆检测、交通标志识别	车牌识别、交通标志文字读取
工业	生产线缺陷检测、包装物识别	包装上的文字/标签识别
安防	入侵检测、异常行为监控	门禁卡号识别、身份证信息提取
文档处理	不常用	发票识别、合同数字化、档案管理
零售	商品识别	商品标签、价格牌识别

2. 发展过程

首先明确，YOLO 是一种算法，并不属于某一个公司的产品。所以 YOLO 社区的版本迭代有很多团队或公司的身影。

2.1. 起源

YOLO（You Only Look Once）是一种基于深度学习的目标检测算法，由当时的华盛顿大学博士生 Joseph Redmon 等人在 2015 年提出，并于 2016 年在 CVPR 会议上正式发表第一版论文《You Only Look Once: Unified, Real-Time Object Detection》。

提出背景

在 YOLO 出现之前，主流的目标检测方法多为 两阶段检测：

• R-CNN 系列（R-CNN、Fast R-CNN、Faster R-CNN）等
• 先通过区域提议（Region Proposal）生成候选框，再在这些框上进行分类与回归

这种方法准确率较高，但速度慢，难以满足实时性需求。

YOLO 则采用了 单阶段检测（One-Stage Detection） 思路：

• 将目标检测视为一个 回归问题
• 直接从整张图片一次性预测出目标的类别与位置
• 因此具有速度快、端到端训练的优势，非常适合实时检测场景（如视频监控、无人驾驶）

2.2. 版本演化

1. YOLO v1 (2016)

   • Joseph Redmon 提出
   • 创新：将检测任务整合为单一神经网络预测
   • 优势：速度极快（比当时 Faster R-CNN 快很多）
   • 缺点：对小目标检测效果不佳

2. YOLO v2 / YOLO9000 (2017)

   • 引入批归一化（BatchNorm）、高分辨率输入、锚框（Anchor Boxes）等
   • YOLO9000 能同时在 COCO 与 ImageNet 数据集上训练，实现检测+分类
   • 检测类别数可达 9000+

3. YOLO v3 (2018)

   • 引入多尺度检测（Feature Pyramid）
   • 使用更深的 Darknet-53 主干网络
   • 提升对小目标的检测能力

4. YOLO v4 (2020)

   • 由 Alexey Bochkovskiy（Redmon 的合作伙伴）发布
   • Joseph Redmon 在 2020 年宣布退出计算机视觉研究（因担心技术被用于军事用途），维护权转移给 Alexey
   • 集成了大量训练技巧（Mosaic 数据增强、CSPDarknet53 主干、CIoU Loss 等）

5. YOLOv5 (2020)

   • 由 Ultralytics 公司（总部在美国）发布
   • 实际上与原 YOLO 系列无直接作者关联，但延续了 YOLO 的命名与思想
   • 用 PyTorch 重写，便于使用与部署
   • 开源且持续更新，成为工业界应用最广的 YOLO 版本之一

6. YOLOv6 (2022)

   • 由美团（Meituan）发布
   • 更加面向工业生产部署，优化推理速度与精度
   • 支持多种硬件加速

7. YOLOv7 (2022)

   • 由 Wong Kin Yiu 等人发布
   • 在精度和速度上继续优化，集成新结构和训练策略
   • 依然基于 PyTorch

8. YOLOv8 (2023)

   • Ultralytics 发布
   • 进一步模块化，支持检测、分割、姿态估计等多任务
   • 更易于部署到各种平台（云端、边缘设备）

9. YOLOv9 (2023)

   • Ultralytics 发布
   • 引入了程序化梯度信息（PGI）技术，解决深层网络信息丢失问题

10. YOLOv10 (2024)

    • Ultralytics（清华大学团队） 发布
    • 通过消除非最大抑制（NMS）和优化模型架构，实现了更优的精度-延迟权衡

11. YOLO11 (2024)

    • Ultralytics 发布
    • 进一步优化了特征提取和轻量化设计

12. YOLO12 (2025)

    • Ultralytics 发布
    • 强调在复杂场景下的实时检测性能

截止当前2025年，最新版本就是 YOLO12，后续也应该不会有 YOLO13 了。目前 YOLO 算法的主要贡献者 Ultralytics 公司，打算学习 Apple 公司对 IOS 系统的命名方式。正在研发中的下一代版本号已经确定为 YOLO2026。

维护与贡献公司/团队

• YOLO v1~v3：Joseph Redmon（华盛顿大学），后来退出；Alexey Bochkovskiy（乌克兰）继续维护 Darknet 框架
• YOLO v4：Alexey Bochkovskiy
• YOLO v5：Ultralytics 公司（美国，专注于 AI 工具与部署）
• YOLO v6：美团（中国）
• YOLO v7：Wong Kin Yiu 团队（香港理工大学相关研究人员）
• YOLO v8 +：Ultralytics 公司（美国，专注于 AI 工具与部署）

目前来看，主力公司是 Ultralytics。因此如果你要学习 YOLO，建议直接查看 ultralytics官网文档，文档是相当全。

3. 创始人的故事

当了解到 YOLO算法是 Joseph Redmon 在华盛顿大学博士生其间发表的，就产生了浓厚的兴趣。

现在的水硕、水博太多了，YOLO 算法在互联网上被称为水硕神器，前些年很多硕士的毕业作品都离不开YOLO算法，简单训练一些数据集，就可以生成出一批看起来高大上的作品。怎么这个博士生能有这样的成就？而且论文署名就归学生本人了？

仔细了解后，发现这位的故事也算精彩。

3.1. 声名鹊起

Joseph Redmon 2013年在华盛顿大学开始读硕，两年后2015年读博期间就创造了YOLO。

3.1.1. YOLO 的诞生（2015~2016）

在 2015 年前，主流目标检测方法（如 R-CNN、Faster R-CNN）速度较慢，不能满足实时场景需求。
Joseph Redmon 想要一种端到端、一次性完成检测的方法，于是提出 YOLO。

YOLO v1（2016）

• 论文：《You Only Look Once: Unified, Real-Time Object Detection》
• 核心思想：将目标检测转化为单一神经网络的回归问题，一次性预测整张图片的所有目标位置和类别
• 结果：速度极快，实时检测成为可能（几十帧每秒）
• 框架：Darknet（他自己用 C 和 CUDA 写的轻量级深度学习框架）

3.1.2. YOLO 的快速迭代（2016~2018）

• YOLOv2 / YOLO9000（2017）
  引入锚框（Anchor Boxes）、高分辨率输入、多尺度训练，支持 9000+ 类别检测（联合 ImageNet 和 COCO 数据集训练）
• YOLOv3（2018）
  使用 Darknet-53 主干网络，多尺度特征融合，检测精度和小目标表现明显提升

在这个阶段，YOLO 已经成为全球最知名的实时检测算法之一，并被大量工业界、学术界采用。

Joseph Redmon 本人也获得了无数的奖项，在 2019 年博士毕业。

3.2. 功成身退

2020 年 2 月，Joseph Redmon 在 Twitter 上宣布 停止计算机视觉研究，不再维护 YOLO。
原因主要是技术与伦理的冲突：

• 他意识到自己的研究可能被用于军事、监控、自动化武器等领域
• 觉得自己不希望参与任何可能造成伤害的技术应用
• 在一次会议上，他看到目标检测技术在军事演示中被使用，尤其是无人机识别目标，感到不安

他的原话（概述）

我不想再为可能被用来杀人的技术做贡献。
我希望我的技能用于帮助人类，而不是伤害他们。

在 Redmon 退出后：

• Alexey Bochkovskiy（乌克兰开发者）接手 Darknet 的维护，并发布 YOLOv4（2020）

随后2022年至今的俄乌战争中，无人机在战争中的杀伤力震惊世界，全球各国都抓紧投入无人机相关的武器研发。