YOLO

YOLO——You Only Look Once（Redmon 等人，2016）——把偵測從一條多步驟管線，重新框定為一次前向傳遞就解決的單一回歸問題，這正是它成為即時偵測器原型的原因。兩階段方法是先提議再分類，YOLO 則對整張影像看一次，並直接同時輸出所有的框與類別機率。「你只看一次」既是名字也是設計哲學：沒有提議、沒有重新裁切、沒有第二次傳遞。

最初的構想：把影像切成 S×S 的格網（例如 7×7）。每個格負責中心落在其中的物件，並預測 B 個邊界框（各有 x、y、w、h 與一個反映物件性 × 框品質的信心值）外加該格的 C 個類別機率。整個輸出是一個形狀為 S×S×(B·5 + C) 的張量，由單一 CNN 產生，並以一個結合了定位、信心與分類的損失訓練。一次看到全域影像，讓 YOLO 擁有強烈的脈絡，背景誤報也極少。

YOLO 最初的權衡是以精確度換速度：它能跑到 45+ fps（Fast YOLO 超過 150 fps），但定位準確度不如 Faster R-CNN，且因每格只預測少數框與一個類別，而難以應付小型或群聚的物件。後續版本系統性地縮小了這個差距。v2（YOLO9000）加入錨框、批次正規化與維度叢集；v3 加入多尺度預測（類似 FPN 的三尺度頭）與更強的骨幹；v4/v5 則把各種訓練技巧工業化（馬賽克擴增、CIoU 損失、PANet 頸部）。

現代 YOLO（v6–v12 與 Ultralytics 系列）是無錨框的，採用解耦的分類／回歸頭、進階的標籤分配（如 SimOTA/TAL）與分佈式 focal 框回歸，在保持即時的同時達到可與兩階段偵測器競爭的準確度。這個品牌已成為「快速單階段偵測」的統稱，而非單一固定架構；不變的是那套哲學——一個網路、一次傳遞、在格網上做密集預測、最後跑 NMS（直到極近期出現端對端、免 NMS 的 YOLO 變體）。