摘要YOLO（You Only Look Once）系列算法是目标检测领域最主流的单阶段检测框架，其核心思想是将目标检测任务转化为回归问题，一次性预测边界框与类别概率。本文从零开始，系统讲解YOLOv8的原理、环境搭建、数据准备、模型训练、评估与部署全流程。提供完整可运行的代码案例，涵盖自定义数据集训练、推理、性能调优与常见陷阱。所有代码均基于Ultralytics官方库，确保可复现性与工程实用性。核心原理YOLO的核心思想是将图像划分为SxS网格，每个网格负责预测B个边界框（bounding box）和C个类别概率。每个边界框包含5个参数：(x, y, w, h, confidence)，其中(x,y)是框中心相对于网格的偏移，w,h是宽高相对于整图的归一化值，confidence为置信度。YOLOv8相较于前代的关键改进：C2f模块：替代C3模块，引入更多梯度流分支，提升特征提取能力。Decoupled Head：分类与回归分支解耦，分别使用独立卷积层，避免任务冲突。Anchor-Free机制：直接预测边界框中心点与宽高，无需预设锚框，简化设计。Task-Aligned Assigner：正负样本分配策略，根据分类与回归的联合得分匹配GT。损失函数：分类采用BCE Loss，回归采用CIoU Loss + DFL Loss