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) 的一个子领域，专注于教会机器观察并理解图像和视频，其方式类似于人类感知现实世界。对人类来说，识别物体或识别动作轻而易举，但机器要完成这些任务，就需要特定且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，也就是识别并定位图像或视频中的物体。

自 20 世纪 60 年代以来，研究人员一直致力于改进计算机检测物体的能力。早期方法（例如模板匹配）会将预定义模板滑过图像，以查找匹配项。这些方法虽然具有创新性，却难以应对物体大小、方向和光照的变化。如今，我们有了先进模型，例如 Ultralytics YOLO11，能够以令人印象深刻的准确率检测小型和部分遮挡的物体，也就是被遮挡物体。

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。在本文中，我们将探讨目标检测的演进，并聚焦于 YOLO（只看一次）模型的变革。现在开始吧！

计算机视觉的起源#

在深入探讨目标检测之前，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如何处理视觉信息。在对猫开展的实验中，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，激发了人们对机器如何处理视觉信息的兴趣。1966 年，麻省理工学院 (MIT) 的 Summer Vision Project 将研究向前推进了一步。尽管该项目没有完全成功，但它旨在创建一个能够从图像中分离前景与背景的系统。对于许多视觉 AI 社区成员来说，该项目标志着计算机视觉作为科学领域正式起步。

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 Cascade 是一种广受欢迎的方法，曾广泛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边缘或纹理等特定特征，然后组合这些特征来检测物体，例如人脸。Haar Cascade 的速度远快于以往的方法。

图 2.使用 Haar Cascade 进行人脸检测。

此外，方向梯度直方图 (HOG) 和支持向量机 (SVM) 等方法也相继问世。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，从而根据形状识别物体。随后，SVM 会对这些特征进行分类，以确定物体的身份。这些方法提高了准确率，但在真实环境中仍表现不佳，速度也比今天的技术慢。

实时目标检测的需求#

2010 年代，随着深度学习和卷积神经网络 (CNN)兴起，目标检测迎来了重大转变。CNN 让计算机能够从大量数据中自动学习重要特征，从而大幅提高了检测准确率。

早期模型，例如 R-CNN（基于区域的卷积神经网络），大幅提升了精度，能够比旧方法更准确地识别物体。

然而，这些模型需要分多个阶段处理图像，因此速度缓慢，难以应用于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 等模型改进了感兴趣区域的选择方式，并减少了检测所需的步骤。虽然这让目标检测速度更快，但对于许多需要即时结果的现实应用来说，速度仍然不够。实时检测需求不断增长，推动了更快速、更高效解决方案的发展，这些方案能够兼顾速度和准确率。

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，它通过实现对图像和视频中的多个物体进行实时检测，重新定义了计算机视觉，使其与以往的检测方法截然不同。YOLO 不会单独分析每个检测到的物体，而是将目标检测作为一项整体任务，通过 YOLO 的架构利用 CNN 一次性预测物体的位置和类别。

该模型会将图像划分为网格，每个网格区域负责检测相应范围内的物体。模型会对每个区域进行多次预测，并过滤掉置信度较低的结果，只保留准确的结果。

图 4. YOLO 工作原理概览。

YOLO 的出现让计算机视觉应用中的目标检测比早期模型快得多、效率也高得多。凭借速度和准确率优势，YOLO 很快成为制造业、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，就能实现目标检测。

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。

最新模型 Ultralytics YOLO11进一步进行了优化。通过减少参数数量并提升准确率，它如今能够更高效地处理实时任务。无论你是经验丰富的开发者，还是刚接触 AI，YOLO11 都能以易于上手的方式提供先进的目标检测能力。

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、图像分类和姿态估计。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，与 YOLOv8m 相比，YOLO11m 的参数量减少了 22%，在 COCO 数据集上的平均精度均值 (mAP) 却更高。

YOLO11 还经过专门设计，可在多种平台上高效运行，从智能手机和其他边缘设备到功能更强大的云系统都能支持。这种灵活性确保模型能够在不同的硬件配置下流畅运行，满足实时应用的需求。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 Ultralytics Python 包，还是无代码 Ultralytics HUB，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 的影响已在各行各业显现。随着石油和天然气、医疗保健以及零售业等领域越来越依赖 AI，对快速、精准目标检测的需求持续增长。Ultralytics YOLO11 旨在满足这一需求，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，Ultralytics YOLO11 等目标检测模型很可能会变得更加重要，帮助用户在速度和准确率至关重要的环境中实时做出决策。随着设计和适应能力不断改进，目标检测的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 感兴趣吗？加入我们的社区，持续学习！查看我们的 GitHub 代码库，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。🚀