YOLOv（You Only Look Once）是由Joseph Redmon等人于2015年提出的一种目标探测深度学习模型，是YOLO系列的首个版本。其创新之处在于将目标探测任务转化为单次前向传播的回归问题。相较传统方法，YOLOv1不仅速度更快、实时性更高，还保持相对较高的准确率。工作流程涉及将输入图像分割成固定大小网格，并预测每个网格内的目标和边界框。边界框还估计目标类别概率和位置信息，使得YOLOv1能够在单次前向传播中完成目标定位和分类。然而，存在一些限制，如对小目标的检测性能较差，对密集目标的处理较为困难。为改进这些问题，后续版本YOLOv2、YOLOv3和最新的YOLOv4陆续发布，引入改进和优化，提升了目标检测性能和精度。