YOLO 型号之所以闻名遐迩，主要有两个原因：其速度和准确性令人印象深刻，而且能够快速、可靠地检测图像中的物体。

在本文中，我将与大家分享我在阅读一篇长达 30 页的综合性论文时获得的见解，该论文深入探讨了 YOLO 模型的进步。

这篇评论全面概述了 YOLO 框架的演变过程，涵盖了从最初的 YOLOv1 到最新的 YOLOv8 全部 15 个模型。

物体检测模型的解剖结构：backbone, neck, 和 head

物体探测器的结构分为三个部分：主干、颈部和头部。

主*分对于从输入图像中提取有价值的特征至关重要，通常使用在 ImageNet 等大规模图像分类任务中训练的卷积神经网络 (CNN)。骨干网捕捉不同尺度的分层特征。较低层次的特征（边缘和纹理）在前几层中提取，较高层次的特征（如物体部分和语义信息）在较深层中去除。

颈部是连接主干和头部的中间组件。

衡量物体检测模型的性能：度量和非最大抑制 (NMS)

平均精度 (mAP) 是评估物体检测模型的指标。它测量所有类别的平均精度，提供一个单一的值来比较不同的模型。