YOLOv1 是目标检测领域的一座里程碑，其论文《You Only Look Once: Unified, Real-Time Object Detection》于2015年发布，首次提出了将目标检测任务视为单一回归问题的创新思路。在YOLOv1出现前，主流方法如R-CNN采用多阶段流程：先用选择性搜索生成候选区域，再用CNN提取特征，最后用SVM分类。这一过程耗时且难以实现实时检测。YOLOv1的核心思想是“只看一眼”——将整张图像划分为7×7的网格，每个网格负责预测两个边界框和类别概率，从而实现端到端、实时的检测。 在数据标注方面，YOLOv1将图像划分为7×7=49个网格，每个网格对应一个目标向量。若物体中心落在某网格内，该网格负责预测该物体。目标向量共25维：前20维为20类PASCAL VOC数据集的one-hot编码，第21位为置信度（有物体时为1），第22-23位为边界框中心点的归一化坐标（相对于网格），第24-25位为宽高（也相对于网格）。所有网格的目标向量拼接成7×7×25的张量作为图像的标签。 在预测阶段，YOLOv1为每个网格生成两个边界框，因此输出向量为30维（25+5），多出的5维用于第二个框。最终输出为30×7×7的张量，需在推理时通过置信度筛选最优框。 YOLOv1的网络结构由24个卷积层组成，无Batch Normalization，使用Leaky ReLU激活函数（负斜率0.1）。其骨干网络分为六个阶段：第一阶段使用7×7卷积与步长2，配合padding=3实现图像尺寸减半；后续阶段通过交替使用1×1、3×3卷积与最大池化逐步下采样。最终输出为1024×7×7的特征图，接两个全连接层，输出1470维（即30×7×7），再reshape为最终预测张量。 在PyTorch实现中，通过定义ConvBlock模块构建骨干网络，依次连接各阶段卷积层，并在最后接入全连接层与Dropout（0.5）防止过拟合。整个模型通过前向传播将输入图像从3×448×448逐步处理为1×1470，再reshape为30×7×7，完成检测输出。 尽管YOLOv1在当时已实现高精度与实时性，但其小目标检测能力较弱。后续版本如YOLOv2、v3、v4、v5、v8等不断优化，引入FPN、Anchor机制、CIoU等，而YOLOv1作为起点，展现了“统一、快速、端到端”的设计哲学，奠定了现代实时目标检测的基石。其代码已开源，可作为学习深度学习与目标检测的绝佳范例。