YOLO（You Only Look Once）是一种基于深度学习的实时目标检测算法，广泛应用于计算机视觉领域。其核心思想是将目标检测问题转化为一个回归问题，通过单次前向传播来同时预测图像中物体的位置和类别，从而实现高效的实时检测。YOLO被广泛应用于多个领域，包括：（1）自动驾驶：实时识别和定位道路上的车辆、行人和交通标志；（2）用于安防监控系统中，快速检测可疑活动；（3）农业：监测作物健康状况，检测病虫害；（4）用于医学图像分析，如癌症检测和皮肤病变识别；（5）工业检测：在制造业中进行缺陷检测和质量控制。自诞生以来的8年间，YOLO网络已经迭代至第10代，每代YOLO网络在包含数十万至数百万张图像的科研向数据集上进行训练和验证。然而，在大部分实际应用场景中，用户针对特定目标检测任务收集的数据集一般在一万张以内，标准YOLO网络在这类应用中性能过剩。此外，在实际应用场景中，用户倾向于在目标检测指标合格的前提下，尽量削减YOLO网络部署所需的硬件和能耗成本。针对以上问题和需求，本人研发了一种可针对不同应用场景目标检测任务，自动构建轻量级YOLO网络的神经进化方法。该方法通过生长型进化策略在YOLO进化空间中，迭代构建出符合应用需求准确率的极小规模的YOLO网络。针对符合实际应用场景数据特征的Roboflow 100数据集，该方法构建出的轻量级YOLO网络，在性能上与标准YOLO网络持平，在规模上仅有标准YOLO网络的十几分之一到二分之一不等。该方法可高效完成不同应用场景中的目标检测任务，同时极大限度的节省硬件和能耗成本。

（1）工作站：用于构建轻量化YOLO网络，至少包含2张英伟达4090显卡。（2）存储设备：用于存储目标检测任务数据集。（3）其他部署应用所需软硬件。