以下是MATLAB实现YOLO目标检测的完整代码（以YOLOv4为例），涵盖 数据准备、模型训练、单图检测、实时视频检测全流程，代码可直接运行（需替换路径和参数）。

一、完整代码流程

1. 环境检查与数据集准备

% 检查必要工具箱
requiredToolboxes = {'Deep Learning Toolbox', 'Computer Vision Toolbox'};
for tb = requiredToolboxes
    if ~license('test', tb{1})
        error(['请安装工具箱：', tb{1}]);
    end
end

% 数据集路径（替换为你的数据集文件夹）
datasetPath = fullfile('D:\my_yolo_dataset');  % 包含images文件夹和annotations.xml
annotationFile = fullfile(datasetPath, 'annotations.xml');
imageFolder = fullfile(datasetPath, 'images');

% 加载标注数据（VOC格式）
data = objectDetectorTrainingData(annotationFile);
fprintf('加载完成：%d张图像，类别包括：%s\n', ...
    length(data), strjoin(unique([data.boxLabels]), ', '));

2. 数据增强（提升模型泛化能力）

% 定义数据增强器（旋转、缩放、翻转）
augmenter = imageDataAugmenter( ...
    'RandRotation', [-10, 10],        % 随机旋转±10°
    'RandScale', [0.9, 1.1],          % 随机缩放0.9~1.1倍
    'RandXReflection', true,          % 随机水平翻转
    'RandTranslation', [10, 10]);     % 随机平移±10像素

% 创建增强数据集（输入尺寸与YOLOv4匹配：416×416）
inputSize = [416, 416, 3];  % 宽×高×通道
augmentedData = augmentedImageDatastore(inputSize, data, ...
    'DataAugmenter', augmenter, ...
    'IncludeImageMetaData', true);

3. 配置YOLOv4模型与训练参数

% 选择预训练模型（YOLOv4-csp：轻量版，适合实时检测）
baseNetwork = 'yolov4-csp';

% 训练参数设置（根据GPU显存调整）
trainingOptions = trainingOptions('sgdm', ...
    'MiniBatchSize', 2, ...          % 批量大小（8GB显存建议2，16GB可设4）
    'MaxEpochs', 15, ...             % 训练轮数（数据少则10~15轮）
    'InitialLearnRate', 1e-4, ...    % 初始学习率
    'LearnRateSchedule', 'piecewise', ...
    'LearnRateDropFactor', 0.1, ...  % 学习率衰减因子
    'LearnRateDropPeriod', 5, ...    % 每5轮衰减一次
    'ValidationData', data(1:5), ... % 验证集（前5张图像）
    'ValidationFrequency', 3, ...    % 每3轮验证一次
    'ExecutionEnvironment', 'gpu', ...% GPU加速（无GPU则设为'cpu'）
    'Verbose', true, ...             % 显示训练日志
    'Plots', 'training-progress');   % 实时绘制训练曲线

4. 训练YOLOv4模型

% 开始训练（首次运行会下载预训练权重）
trainedDetector = trainYOLOv4ObjectDetector(augmentedData, baseNetwork, trainingOptions);

% 保存模型（避免重复训练）
save(fullfile(datasetPath, 'yolov4_detector.mat'), 'trainedDetector');
fprintf('模型已保存至：%s\n', fullfile(datasetPath, 'yolov4_detector.mat'));

5. 单张图像检测

% 加载训练好的模型
load(fullfile(datasetPath, 'yolov4_detector.mat'), 'trainedDetector');

% 读取测试图像（替换为你的图像路径）
testImage = imread(fullfile(imageFolder, 'test_image.jpg'));

% 目标检测（返回边界框、置信度、类别）
[bboxes, scores, labels] = detect(trainedDetector, testImage);

% 筛选高置信度结果（保留置信度>0.5的目标）
confidenceThreshold = 0.5;
keepIdx = scores > confidenceThreshold;
bboxes = bboxes(keepIdx, :);
labels = labels(keepIdx);
scores = scores(keepIdx);

% 可视化检测结果
detectedImage = insertObjectAnnotation(testImage, 'rectangle', bboxes, ...
    cellstr([labels, arrayfun(@(s) sprintf(' (%.2f)', s), scores, 'UniformOutput', false)]));

figure;
imshow(detectedImage);
title('YOLOv4目标检测结果');

6. 实时视频/摄像头检测

% 加载模型
load(fullfile(datasetPath, 'yolov4_detector.mat'), 'trainedDetector');

% 选择输入源：摄像头（默认索引1）或视频文件
useCamera = true;  % true=摄像头，false=视频文件
if useCamera
    videoSource = videoinput('winvideo', 1);  % Windows摄像头（Linux用'v4l2'）
else
    videoSource = VideoReader('test_video.mp4');  % 替换为你的视频路径
end

% 实时检测循环
figure;
while true
    % 获取一帧图像
    if useCamera
        frame = getsnapshot(videoSource);
    else
        if hasFrame(videoSource)
            frame = readFrame(videoSource);
        else
            break;  % 视频结束
        end
    end
    
    % 目标检测
    [bboxes, scores, labels] = detect(trainedDetector, frame);
    
    % 筛选高置信度结果
    keepIdx = scores > 0.5;
    bboxes = bboxes(keepIdx, :);
    labels = labels(keepIdx);
    
    % 标注并显示
    frameWithDetections = insertObjectAnnotation(frame, 'rectangle', bboxes, labels);
    imshow(frameWithDetections);
    title('实时YOLOv4检测');
    drawnow;
    
    % 按ESC键退出（ASCII码27）
    if get(gcf, 'CurrentKey') == char(27)
        break;
    end
end

% 释放资源
if useCamera
    stop(videoSource);
    delete(videoSource);
end
close all;

二、使用说明

1. 数据集准备：

   • 需创建images文件夹存放图像，用MATLAB的Image Labeler标注并导出annotations.xml（参考前文标注步骤）。
   • 替换代码中的datasetPath为你的数据集路径。

2. 参数调整：

   • MiniBatchSize：根据GPU显存调整（显存不足则减小，如1）。
   • MaxEpochs：数据量少（<100张）时设10~15轮，数据多则设30+。
   • inputSize：YOLOv4推荐416×416或608×608（尺寸越大精度越高，速度越慢）。

3. 依赖：

   • 需安装MATLAB R2021a及以上版本，以及Deep Learning Toolbox和Computer Vision Toolbox。
   • GPU加速需NVIDIA显卡+CUDA配置（见前文GPU配置教程）。

三、常见问题解决

• 模型训练慢：确保GPU正常工作（gpuDevice命令查看），减小MiniBatchSize。
• 检测精度低：增加数据量、延长训练轮数（MaxEpochs），或调整数据增强参数。
• 实时检测卡顿：减小inputSize（如320×320），或使用更轻量的模型（如yolov4-tiny）。