07.基于Ultralytics的完整工程实践

YOLO（You Only Look Once）系列目标检测算法自2015年提出以来，已迭代至YOLOv8、YOLOv9、YOLOv10等多个版本，成为工业界部署最广泛的目标检测框架。本文面向具备Python基础、希望系统掌握YOLO实战的开发者，从算法核心原理出发，围绕数据准备、模型训练、评估优化、部署推理四个环节，提供一套完整可运行的工程案例。全文基于Ultralytics官方库实现，代码经过严格测试，可直接复制运行。本文案例以“安全帽佩戴检测”为切入点，该场景覆盖了小目标、密集遮挡、光照变化等典型挑战，可迁移至90%以上的目标检测任务。1. 从滑动窗口到端到端回归传统目标检测方法（如R-CNN系列）采用“候选区域生成+分类器”的两阶段策略，速度受限于区域提议网络。YOLO将检测任务重新定义为单一的回归问题：将输入图像划分为S×S网格，每个网格负责预测B个边界框及C个类别概率。输出张量形状为S×S×(B×5+C)，其中5代表边界框的(x, y, w, h, confidence)。2. 损失函数设计YOLO的损失函数由三部分组成：边界框回归损失：采用CIoU（Complete IoU）或GIoU，同时考虑重叠面积、中心点距离和宽高比。置信度损失：使用二值交叉熵，区分前景与背景。分类损失：使用多类别交叉熵，仅对包含目标的网格计算。3. 多尺度预测与特征金字塔YOLOv3之后引入FPN（特征金字塔网络），在不同尺度的特征图