yolo模型提供图像识别、人物追踪等技术。且可用于手机端，做到实时识别的能力。
优势：
- 识别速度快
- 有框选圈，可以知道物品在图片上的位置
缺点：
- 识别的物品无唯一标识，缺少空间能力
- 有不低错误率，影响使用场景
正因为识别速度快，可以应用到手机端，拍摄视频时实时识别，这样应用级的想象空间就巨大。但识别准确率不高，且如果是用于视频识别，那帧的不稳定性会大大影响到其识别准确率。且存在另一个问题就是，缺少空间能力，即只能识别有没有，不能识别到同物品个数。
这就是端上应用层面不普及的很大因素。所以，使用场景是最大的困难，接入使用训练都不是问题。
比较建议的使用场景：yolo的框选能力+后端大模型识别，猜测支付宝旗下的灵光，就是该实现方式。做到AI实时扫描生成识别的能力。 即，yolo负责选帧，大模型负责识别。在yolo识别到有物品并进行框选，其置信度达到某一值后，认为可信，且选出最优，发送给后端进行大模型识别。
接入：
苹果最好直接使用coreML，原生能力带有GPU优化，兼容性好。 如果需要双端通用能力，可以直接阿里团队的MNN。将yolo模型.pt格式转为.mnn或.onnx，即可应用。但相较于苹果的coreML，性能上还差很远，其格式为.mlmodel。
筛选：
视频60/30帧居多，也就是1秒可以处理60张图片，但如果把这么多都传给服务器必定造成巨大压力。最好是以选图的方式进行传输，如，选出某段时间内，同物品置信度最高的。
调优：
如何让识别速度得到提升呢，第一可以将精度从INT16降为INT8，第二，可以减小输入的尺寸，如640减小为320.第三，也是最好的方式，直接用coreML，其速度能达到10ms完成识别。
核心逻辑：
yolo先将图像划分为SxS的网格，每个网格预测边界框。提取图像特征，并预测一组类别概率。在训练时，通过计算位置误差（IOU）和分类误差来不断修正权重。在推理时，剔除掉重叠度高且置信度低的框，只保留最准确的那一个。
