加载中...

YOLO系列-《YOLOv1：将检测视为回归的极简美学》

发表于2026-01-03|更新于2026-02-01|目标检测

|总字数:2|阅读时长:1分钟|浏览量:

前言

文章作者: Wang Tao

文章链接: https://www.loveww.top/2026/01/03/03-%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B/YOLO%E7%B3%BB%E5%88%97-YOLOv1%EF%BC%9A%E5%B0%86%E6%A3%80%E6%B5%8B%E8%A7%86%E4%B8%BA%E5%9B%9E%E5%BD%92%E7%9A%84%E6%9E%81%E7%AE%80%E7%BE%8E%E5%AD%A6/

版权声明: 本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 TeachCraft Blog！

YOLOv1 数据增强 YOLO系列

相关推荐

寻根溯源：我的 YOLO 全系列深度解析之旅 (开篇)

寻根溯源：我的 YOLO 全系列深度解析之旅 (开篇)0. 前言：为什么要写这个系列？在计算机视觉（CV）的江湖里，YOLO (You Only Look Once) 是一个绕不开的名字。从 2015 年 Redmon 提出 v1 版本至今，YOLO 系列已经走过了近十个年头，演进到了如今的 v11。作为一名算法从业者，我几乎每天都在和各种版本的 YOLO 打交道：调参、部署、优化。但在高强度的工作节奏下，我发现自己陷入了一个**“熟练的陌生人”**误区：对抗遗忘：算法的演进非常细碎。从 Anchor-based 到 Anchor-free，从简单的 IoU 到复杂的 $CIoU$、$DIoU$ 损失函数，如果不系统整理，很多细节（如正负样本匹配策略的改变）很容易在脑海中变得模糊。构建底层逻辑：仅仅跑通 train.py 是远远不够的。为了在面试中对答如流，也为了在实际业务中能根据场景选择最合适的版本，我需要从底层原理出发，理解每一代 YOLO “为什么要这么改”。职业背书：博客是最好的技术名片。通过深度解析，我希望向同行和面试官展示：我不仅能通过工具解决问题，更...

评论

数据加载中