YOLO发展历史和简介

最新推荐文章于 2026-06-17 23:48:24 发布

原创最新推荐文章于 2026-06-17 23:48:24 发布 · 409 阅读

10 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#YOLO #目标检测 #YOLO发展历史

好久没有更新博客了，最近将陆续更新目标检测的一些列文章，包括YOLO 、 RT-DETR、DETR / DINO / Grounding DINO等。今天将介绍YOLO发展历史和相关的特点

YOLO凭借“实时性、高精度、易部署”的优势，已广泛应用于计算机视觉的各类实际场景，覆盖工业、交通、安防、医疗等多个领域，成为落地最广泛的目标检测算法之一，以下是核心应用场景：

YOLO应用场景

1. 智能安防领域（最成熟场景）

核心应用：实时监控、异常行为检测、人员计数、违禁品检测（如刀具、易燃易爆物品）。例如，商场、小区、园区的监控摄像头，通过YOLO实时检测行人、车辆，识别异常行为（如闯入禁区、徘徊、斗殴），及时发出预警；机场、火车站的安检口，检测乘客携带的违禁品，提升安检效率。

优势：实时性强，可在普通摄像头中实时运行，无需高性能硬件；精度高，能准确识别复杂背景下的目标，减少误报、漏报。

2. 交通领域（核心落地场景）

核心应用：交通违章检测（闯红灯、超速、不按导向行驶、压线）、交通流量统计、车辆识别（车型、车牌）、行人礼让检测、自动驾驶感知。例如，城市路口的电子警察，通过YOLO实时检测车辆违章行为，自动抓拍取证；自动驾驶汽车的感知系统，通过YOLO检测前方车辆、行人、交通标志、标线，为决策提供依据。

延伸应用：智能停车系统，检测车位占用情况，引导车辆停车；交通拥堵预测，通过流量统计分析拥堵趋势。

3. 工业领域（智能制造核心）

核心应用：产品缺陷检测（如零件划痕、变形、缺料）、生产流水线监控、工件定位、物料计数。例如，电子厂的流水线，通过YOLO实时检测电路板、芯片的缺陷，替代人工检测，提升检测效率和精度；汽车制造厂的流水线，检测汽车零部件的安装是否到位，避免不合格产品出厂。

优势：可适配工业流水线的高速运行场景（实时检测），能识别微小缺陷，降低人工成本，提升生产质量。

4. 医疗领域（辅助诊断）

核心应用：医学影像检测（如CT、X光图像中的病灶检测、肿瘤识别）、细胞检测（如癌细胞识别）、医疗器械定位。例如，通过YOLO检测CT图像中的肺部结节、肝癌病灶，辅助医生快速诊断，减少漏诊；检测病理切片中的癌细胞，提升诊断效率。

注意：医疗领域对精度要求极高，需基于大量标注精准的医学数据训练，且需结合医生经验进行验证，目前多作为辅助诊断工具。

5. 其他主流场景

农业领域：作物病虫害检测（识别作物叶片的病虫害区域）、果实计数（统计果树挂果数量）、杂草识别，助力智慧农业。
零售领域：货架商品检测（检测商品是否缺货、摆放是否规范）、顾客行为分析（统计客流量、顾客停留时间），优化零售运营。
机器人领域：机器人视觉导航、目标抓取，通过YOLO检测周围环境和目标物体，实现机器人的自主导航和抓取操作。
边缘计算/物联网：基于轻量化YOLO模型（如YOLO8n、YOLO26），部署在边缘网关、物联网设备上，实现端侧实时检测（如智能摄像头、 wearable设备）
YOLO安装

PIP安装：pip install -U ultralytics

2 conda安装：conda install -c conda-forge ultralytics

3 源码安装：

git clone https://github.com/ultralytics/ultralytics.git

cd ultralytics

pip install -e .

验证是否安装成功 yolo predict model=yolo26n.pt source=bus.jpg，其中yolo26n.pt为官网下载的预训练模型

YYOLO使用

根据官网提供的例子，下面这段代码就能只用yolo进行日常的训练和预测了

from ultralytics import YOLO

# Create a new YOLO model from scratch
model = YOLO("yolo26n.yaml")

# Load a pretrained YOLO model (recommended for training)
model = YOLO("yolo26n.pt")

# Train the model using the 'coco8.yaml' dataset for 3 epochs
results = model.train(data="coco8.yaml", epochs=3)

# Evaluate the model's performance on the validation set
results = model.val()

# Perform object detection on an image using the model
results = model("https://ultralytics.com/images/bus.jpg")

# Export the model to ONNX format
success = model.export(format="onnx")