目标检测与 Ultralytics YOLO 模型的发展历程

计算机视觉是人工智能 (AI) 的一个分支，专注于教会机器观察和理解图像与视频，类似于人类感知现实世界的方式。识别物体或识别动作对人类来说是本能，但对机器而言，这些任务需要专门的计算机视觉技术。例如，计算机视觉的一项关键任务是目标检测，即识别并定位图像或视频中的目标。

自 20 世纪 60 年代以来，研究人员一直在努力提升计算机检测目标的能力。早期方法（如模板匹配）会在图像上滑动预定义模板以查找匹配项。这些方法虽然颇具创新性，却难以应对目标尺寸、方向和光照的变化。如今，像 Ultralytics YOLO11 这样的先进模型即使面对较小且部分被遮挡的目标（即遮挡目标），也能以出色的准确率进行检测。

随着计算机视觉不断发展，回顾这些技术的发展历程十分重要。本文将探讨目标检测的演进，并深入介绍 YOLO（You Only Look Once）模型的发展变化。

计算机视觉的起源#

在深入了解目标检测之前，我们先来看看计算机视觉是如何起步的。计算机视觉的起源可以追溯到 20 世纪 50 年代末和 60 年代初，当时科学家开始探索大脑处理视觉信息的方式。在对猫进行的实验中，研究人员 David Hubel 和 Torsten Wiesel 发现，大脑会对边缘和线条等简单图案产生反应。这为特征提取的理念奠定了基础：视觉系统会先检测并识别图像中的边缘等基本特征，再处理更复杂的图案。

图 1.了解猫的大脑如何对光条作出反应，有助于推动计算机视觉中特征提取的发展。

大约在同一时期，能够将实体图像转换为数字格式的新技术出现了，人们开始关注机器如何处理视觉信息。1966 年，麻省理工学院 (MIT) 的“夏季视觉项目”进一步推动了这一领域的发展。该项目虽然没有完全成功，但旨在创建一个能够分离图像前景和背景的系统。对许多视觉 AI 领域的研究者而言，该项目标志着计算机视觉作为一门科学领域正式起步。

了解目标检测的发展历程#

20 世纪 90 年代末至 21 世纪初，随着计算机视觉的发展，目标检测方法从模板匹配等基础技术转向更先进的方法。Haar 级联是当时一种广受欢迎的方法，常用于人脸检测等任务。它通过滑动窗口扫描图像，检查图像各个区域中的边缘或纹理等特定特征，然后组合这些特征来检测人脸等目标。Haar 级联比此前的方法快得多。

图 2.使用 Haar Cascade 进行人脸检测。

与此同时，方向梯度直方图 (HOG) 和支持向量机 (SVMs) 等方法也相继出现。HOG 使用滑动窗口技术，分析图像小区域中光线和阴影的变化，帮助根据形状识别目标。随后，SVMs 对这些特征进行分类，以确定目标的身份。这些方法提高了准确率，但在真实环境中仍表现不佳，速度也比不上如今的技术。

实时目标检测的需求#

2010 年代，深度学习和卷积神经网络 (CNNs)的兴起给目标检测带来了重大转变。CNNs 让计算机能够从大量数据中自动学习重要特征，从而大幅提高检测准确率。

早期模型，例如 R-CNN（基于区域的卷积神经网络），在精确度方面取得了显著进步，能够比旧方法更准确地识别目标。

然而，这些模型需要分多个阶段处理图像，因此速度很慢，不适合自动驾驶汽车或视频监控等领域的实时应用。

为了提升速度，研究人员开发了效率更高的模型。Fast R-CNN 和 Faster R-CNN 等模型通过改进感兴趣区域的选择方式，并减少检测所需的步骤，提高了检测速度。尽管如此，对于许多需要即时结果的真实应用场景来说，速度仍然不够快。实时检测需求不断增长，推动了更快、更高效的解决方案的发展，使速度和准确率得以兼顾。

图 3. R-CNN、Fast R-CNN 和 Faster R-CNN 的速度对比。

YOLO（只看一次）模型：重要的里程碑#

YOLO是一种目标检测模型，它通过实现图像和视频中多个目标的实时检测，重新定义了计算机视觉，并因此有别于此前的检测方法。YOLO 不会单独分析每个检测到的目标，而是通过YOLO 的架构将目标检测视为单一任务，使用 CNNs 一次性预测目标的位置和类别。

该模型将图像划分为网格，每个网格区域负责检测其中的目标。模型会为每个区域做出多个预测，并过滤掉置信度较低的结果，只保留置信度最高的结果。

图 4. YOLO 工作原理概览。

YOLO 在计算机视觉应用中的问世，让目标检测比早期模型快得多、效率也高得多。凭借速度和准确率方面的优势，YOLO 很快成为制造、医疗保健和机器人等行业实时解决方案的热门选择。

另一个值得注意的重要方面是，YOLO 采用开源模式，开发者和研究人员因此能够持续改进它，推动更多先进版本的诞生。

从 YOLO 到 Ultralytics YOLO11 的发展历程#

YOLO 模型不断进步，在每个版本的基础上持续发展。这些改进不仅提升了性能，也让不同技术水平的用户更容易使用模型。

例如，Ultralytics YOLOv5推出后，借助 PyTorch，模型部署变得更加简单，让更多用户能够使用先进 AI。它兼顾了准确率和易用性，让更多人无需具备专业编程技能也能实现目标检测。

图 5. YOLO 模型的发展历程。

Ultralytics YOLOv8通过支持实例分割等任务，并让模型变得更加灵活，延续了这一发展势头。使用 YOLO 执行基础任务和更复杂的应用都变得更加容易，使其适用于各种场景。

借助 Ultralytics YOLO11（后续由 Ultralytics YOLO26接替），模型得到了进一步优化。通过减少参数数量并提高准确率，YOLO11 如今能够更高效地完成实时任务。无论你是经验丰富的开发者还是 AI 新手，YOLO11 都以先进且易于上手的方式实现目标检测。

了解 Ultralytics YOLO11：新功能与改进#

YOLO11 在 Ultralytics 年度混合活动 YOLO Vision 2024 (YV24)上发布，支持与 YOLOv8 相同的计算机视觉任务，例如目标检测、实例分割、图像分类和姿势估计。因此，用户无需调整工作流程即可轻松切换到这一新模型。此外，YOLO11 升级后的架构让预测更加精准。事实上，YOLO11m 在 COCO 数据集上的平均精度均值 (mAP)更高，同时参数量比 YOLOv8m 少 22%。

YOLO11 还经过专门设计，能够在各种平台上高效运行，从智能手机和其他边缘设备到性能更强大的云系统均可适用。这种灵活性确保了它在不同硬件配置下都能为实时应用提供流畅的性能。此外，YOLO11 速度更快、效率更高，能够降低计算成本并缩短推理时间。无论你使用的是 Ultralytics Python 软件包，还是无代码平台 Ultralytics HUB（现为 Ultralytics Platform），都能轻松将 YOLO11 集成到现有工作流程中。

YOLO 模型与目标检测的未来#

先进目标检测对实时应用和边缘 AI 的影响已经在各行各业显现。随着石油和天然气、医疗保健、零售等行业日益依赖 AI，对快速、精准目标检测的需求也持续增长。Ultralytics YOLO11 致力于满足这一需求，即使在计算能力有限的设备上也能实现高性能检测。

随着边缘 AI 的发展，在速度和准确率至关重要的环境中，Ultralytics YOLO11 等目标检测模型很可能会成为实时决策不可或缺的工具。随着设计和适应能力不断提升，目标检测未来有望在各种应用中带来更多创新。

要点#

目标检测经历了长足发展，从简单方法演进到如今先进的深度学习技术。YOLO 模型一直是这一进程的核心，能够在不同行业中实现更快速、更精准的实时检测。Ultralytics YOLO11 延续了这一发展传统，提高效率、降低计算成本并提升准确率，使其成为各种实时应用的可靠选择。随着 AI 和计算机视觉持续进步，目标检测前景光明，在速度、精度和适应能力方面仍有进一步提升的空间。

对 AI 感兴趣？加入我们的社区，保持交流并持续学习！访问我们的 GitHub 仓库，了解我们如何利用 AI 为制造业和医疗保健等行业打造创新解决方案。