---
title: "你只看一次（YOLO）"
slug: yolo
language: zh-TW
source: https://aiterms.tw/terms/yolo
updated_at: 2026-04-29
tags: [電腦視覺, 深度學習, 神經網路, 模型訓練, 模型部署, AI應用, 自動駕駛, 機器人學]
ipas_term: false
---

# 你只看一次（YOLO）

> **你有沒有想過，模型怎麼能一張圖就把人、車、箱子都圈出來？**
>
> 你可以把 YOLO 想成一種很快的物件偵測方法，它看完整張圖後，直接同時判斷物件在哪裡、是什麼。
>
> 它重要，是因為很多即時場景，比起慢慢找，先快一點更有價值。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆
> **YOLO vs 兩階段物件偵測**
> 兩階段方法先找候選區域再分類，YOLO 則是一次完成偵測和分類。
>
> **YOLO vs 圖像分類**
> 圖像分類只回答「這張圖是什麼」，YOLO 還要回答「它在哪裡」。
>
> **YOLO vs 非極大值抑制**
> NMS 不是偵測模型本體，它是用來去掉重疊重複框的後處理。
>
> 最關鍵的區別：YOLO 是又快又直接的偵測法，不只是看圖分類。

### 記住這句就好
> 一次看完一張圖，直接找出物件。

### 實際案例
> **工廠產線檢查**
> 攝影機每秒都在拍，系統要即時找出瑕疵品或掉落物，YOLO 很適合做高速度偵測。
>
> **道路監控**
> 交通系統要快速找出車輛、行人和事故狀況，YOLO 的速度通常比重型兩階段模型更有優勢。

### 算法與應用
> YOLO 的核心精神是把偵測當成一次性的回歸問題。
>
> 它通常會搭配邊界框預測、物件信心分數和非極大值抑制，一起完成最後輸出。
>
> 在實務上，速度、精準率、模型大小三者常要一起平衡，沒有任何版本能在所有場景都最強。

### 情境判斷
> **Q1（直覺題）：** 你要在監視器上即時找出闖入的人，YOLO 合適嗎？
>
> → 合適，因為它特別重視速度和即時性。
>
> **Q2（判斷題）：** 如果你的場景裡物件非常小、非常密，而且寧可慢一點也要更高精度，YOLO 一定最適合嗎？
>
> → 不一定。這時要看版本、解析度和替代模型，可能還要改用更重的偵測器。

### 常見問題
> **Q：YOLO 版本之間差很多嗎？**
> 差很多，不同版本在骨幹網路、訓練策略和部署方式上都可能有明顯差異。
>
> **Q：YOLO 的信心分數是什麼？**
> 它是模型對某個框裡有物件的把握程度，通常也會結合分類分數和框的位置品質。
>
> **Q：YOLO 能不能抓小物件？**
> 可以，但通常要更高解析度、多尺度特徵或版本調整，才會比較穩。
>
> **Q：YOLO 可以做分割嗎？**
> 有些 YOLO 變體可以延伸到分割任務，但那已經不只是基本偵測輸出了。

### 相關術語
> - **物件偵測**：先看它，才能把 YOLO 放回任務類型裡
> - **邊界框偵測**：先看它，才能知道 YOLO 的輸出長什麼樣
> - **加速區域卷積網路**：先看它，才能比較兩階段偵測的對照組
> - **遮罩區域卷積網路**：先看它，才能看懂偵測和分割的差別
> - **非極大值抑制**：先看它，才能理解 YOLO 後處理怎麼去重複框

---

來源：https://aiterms.tw/terms/yolo
快查頁：https://aiterms.tw/terms/yolo
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-yolo