YOLOv1、v3、v5、v7、v8
1.YOLO(2015)
结构 YOLO检测网络包括24个卷积层和2个全连接层
其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。
YOLO网络借鉴了GoogLeNet分类网络结构。不过使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。YOLO论文中，作者还给出一个更轻快的检测网络fast YOLO，它只有9个卷积层和2个全连接层。Loss函数使用均方和误差，即网络输出的SxSx(Bx5 + C)维向量与真实图像的对应SxSx(Bx5 + C)维向量的均方和误差。 coordError、iouError和classError分别代表预测数据与标定数据之间的坐标误差、IOU误差和分类误差。
训练：
batchsize=64 momentum=0.9 decay=0.0005 前期：learning rate= 10−3 to 10−2.后期10−2训练75个epoch，然后用10−3训练30个epoch，最后用10−4训练30个epoch。dropout layer with rate =0.5 数据增强：20%的随机缩放和平移，随机调整曝光和饱和度的图像在HSV颜色空间的一个因子1.5
优点：
速度快，将检测视为回归问题（平均精度也高）对图像进行全局推理，关联背景上下文（背景错误少）学习对象的通用模式（相当于模板），推广性强
缺点：
准确性低，定位不佳（小对象更明显）空间约束限制了我们的模型可以预测的附近物体的数量难以预测框形状变化大的损失函数在小边界框和大边界框中处理错误是相同的。
2.YOLOv2(2016) YOLO9000: Better, Faster, Stronger
1. 结构
数据集：ImageNet的9000多个类 yolov2主要集中在提高召回率和定位，同时保持分类准确性。 Yolov2训练策略：
在YOLO中的所有卷积层上添加批量归一化。删去全连接层，并使用锚框来预测边界框。k-means生成边界框，使用维度聚类直接预测边界框中心位置。添加一个passthrough层，使26×26×512的特征图得到1×26×512。采用多尺度输入训练策略，输入图片大小选择一系列为32倍数的值： 320,352,…608 模型称为Darknet-19，有19个卷积层和5个maxpooling层。
使用WordTree层次结构组合数据集。 损失函数包含两部分: 分类损失Softmax和回归损失Smooth L1 优点： 1.精度提高，检测准确率比YOLOv1高。 2.速度更快，可达到更高的实时性能。 3.使用了batch normalization技术，可以减轻过拟合问题。 缺点： 1.一个分类器只能检测固定数量的物体，无法处理可变数量的物体。 2.训练和调整模型需要更多的计算资源和时间 3.学习检测设备和服饰表现差
3.YOLOv3(2018)
YOLOv3是一种基于深度学习的目标检测算法，它是在YOLOv2的基础上进行了改进和优化，提高了检测的准确度和速度。YOLOv3解决的问题主要有以下几个方面：
• 提高小目标的检测能力。 YOLOv3采用了多尺度预测的方式，使用了三种不同大小的特征图，分别负责检测大、中、小的目标。这样可以增加小目标的感受野，提高小目标的定位和分类效果
• 增加网络的深度和宽度。 YOLOv3使用了Darknet-53作为骨干网络，它是一个由残差模块组成的深层网络，具有较强的特征提取能力。同时，YOLOv3也增加了每个网格单元预测的边框数量，从YOLOv2的5个增加到了3个，这样可以增加网络的表达能力和泛化能力
• 改进边框预测和类别预测。 YOLOv3对边框预测和类别预测进行了一些改进，例如使用logistic回归代替softmax进行多标签分类，使用二值交叉熵代替平方误差进行置信度损失计算，使用k-means聚类代替手动设置进行锚框设计等。这些改进可以提高网络的稳定性和鲁棒性 特征提取器是一个残差模型，因为包含53个卷积层，所以称为Darknet-53。采用类FPN架构来实现多尺度检测。YOLOv3采用了3个尺度的特征图（当输入为416*416时）：(13*13)，(26*26), (52*52）。使用binary cross-entropy loss分类器。 YOLOv3 的 neck 输出 3 个分支，即输出 3 个特征图， head 模块只有一个分支，由卷积层组成，该卷积层完成目标分类和位置回归的功能。总的来说，YOLOv3 网络的 3 个特征图有 3 个预测分支，分别预测 3 个框，也就是分别预测大、中、小目标。 优点： 1.快速 2.背景误检率低 3.通用性强 缺点： 1.识别物体位置精准性差，小物体检测能力弱 2.召回率低 创新点：
使用Darknet-53作为特征提取网络，利用残差连接和卷积降采样来构建一个深层而高效的网络结构。使用FPN（特征金字塔网络）来实现多尺度检测，利用不同大小的特征图来预测不同大小的物体，同时使用上采样和拼接来融合不同层次的特征。使用逻辑回归替代softmax作为分类器，避免了类别之间的竞争，支持多标签的预测。
4.YOLOv4(2020)
贡献：
我们开发了一个高效、强大的目标检测模型。它使得每个人都可以使用1080 Ti或2080 Ti GPU来训练超级快速准确的目标检测器。 在检测器训练过程中，我们验证了最先进的bag - offrebies和Bag-of-Specials方法对目标检测的影响。 我们修改了最先进的方法，使其更有效，更适合单GPU训练，包括CBN ， PAN ， SAM等。
讲了通用的改进方法：数据增强，loss函数，增强感受野，注意力机制，特征集成，激活函数，后处理方法（后续开发无锚方法时不再需要进行后处理）
网络结构： CSPDarknet53骨干、SPP附加模块、PANet路径聚合颈和YOLOv3(基于锚点的)头作为YOLOv4的架构。DropBlock作为我们的正则化方法。增强马赛克和自对抗训练(SAT)方法
YOLOv4 consists of : • Backbone: CSPDarknet53 主要在残差块进行了改进，引入了大残差块； • Neck: SPP ，PAN • Head: YOLOv3
创新：
输入端：Mosaic、Self-Adversarial Training–SAT自对抗训练、cmBN、Label Smoothing类标签平滑（缩小差距，减小过拟合）backbone：CSPDarknet53、Mish激活函数（无边界避免饱和）、Dropblock（随即丢弃区域）neck：SPP模块（何恺明提出，解决不同尺寸的特征图如何进入全连接层）、FPN+PAN（自底向上的特征金字塔，特征反复提取）使用Mish激活函数
5.YOLOv5(2020)
YOLOv5给出了四种版本的目标检测网络，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。
创新点： YOLOv5各部分改进
输入端：Mosaic数据增强、自适应锚框计算（自动计算该数据集最合适的Anchor尺寸融入代码，保证准确率，减少模型参数和FLOPS）Backbone：Focus结构（切片操作为一片片特征图），CSP结构（Cross Stage Partial Network，跨阶段局部网络）两种CSP，一个在backbone，一个在neckNeck：FPN+PAN结构（加强网络特征融合的能力）Prediction：GIOU_Los非极大值抑制采用DIOU_nms，对于遮挡问题，检出效果有所提升。
解决问题： 1.马赛克数据增强使小目标检测效果变好 2. Focus结构减少FLOPs，提高速度
优点： 1.使用pytorch框架，易于训练，投入生产，易于部署 2.提供四种版本，依据实际情况选择 3.模型训练、检测速度快 4.直接对单个图像，批处理图像，视频，摄像头端口输入进行有效推理 缺点： 没有发论文
6.YOLOX(2021)
7.YOLOv7
论文摘要： 本文提出的方法的发展方向不同于目前主流的实时目标检测器。除了架构优化之外，我们提出的方法将侧重于训练过程的优化。我们将重点研究一些优化模块和优化方法，这些模块和优化方法可以在不增加推理成本的情况下，增强训练成本以提高目标检测的准确性。 我们将提出的模块和优化方法称为可训练的免费包。 在本文中，我们将介绍一些我们发现的新问题，并设计有效的方法来解决它们。对于模型的再参数化，采用梯度传播路径的概念，分析了适用于不同网络层的模型再参数化策略，提出了规划的再参数化模型。此外，当我们发现使用动态标签分配技术时，具有多个输出层的模型的训练将产生新的问题。
即 : “如何为不同分支的输出分配动态目标?” 针对这一问题，我们提出了一种新的标签分配方法，即粗到细的导联标签分配方法。
本文的贡献总结如下:
设计了几种可训练的免费袋方法，使得实时目标检测在不增加推理成本的情况下大大提高了检测精度;对于目标检测方法的改进，我们发现了两个新问题，即重参数化模块如何替换原始模块，以及动态标签分配策略如何处理对不同输出层的分配。此外，我们还提出了解决这些问题所带来的困难的方法;提出了实时目标检测器的**“扩展”和“复合缩放”**方法，可以有效地利用参数和计算量;该方法可有效减少当前实时目标检测器约40%的参数和50%的计算量，具有更快的推理速度和更高的检测精度
8.YOLOv8
解决的问题、贡献、优点
提高了速度和精度： YOLOv8在MS COCO数据集上达到了58.9%的AP，超越了YOLOv5的48.4%的AP，成为了目前最准确的YOLO模型。YOLOv8还在GPU V100上保持了40 FPS以上的速度，比YOLOv5快了10 FPS，是一种实时目标检测器。提供了一个友好的接口： YOLOv8通过一个PIP包来使用YOLO模型，使得开发者可以更方便地安装、训练、测试和部署模型。YOLOv8还提供了一个易于使用的命令行界面（CLI），可以通过简单的命令来执行各种操作。支持多种任务： YOLOv8不仅可以用于目标检测，还可以用于图像分类和实例分割等任务。YOLOv8还支持多种数据格式，如COCO、VOC、Roboflow等。拥有一个活跃的社区：YOLOv8由Ultralytics开发和维护，他们也是YOLOv5的创造者。Ultralytics不断地改进模型的架构和性能，并且积极地与社区交流和反馈。YOLOv8也继承了YOLO系列模型的优势，如小巧、灵活、可训练等，受到了计算机视觉领域的广泛关注和使用。
小结
作为单阶段大名鼎鼎的YOLO系列，速度确实快，精度可能会差一点。 现在最常用的就是yolov5、yolov7、yolov8了。 工业界便于部署使用的大部分是yolov5，不过yolov8现在也使用起来不错，不过使用起来，会出一些bug，修改代码需要修改环境里的Ultralytics代码。现在yolov8也是许多人改进模型的基础模型了（比较好水bushi）。
yolov8改进，我尝试过很多，总体来说效果其实也就那样，许多注意力机制更是几乎没什么用（甚至都不如CBAM）。 不过还是有可以改进的：提高速度和提高精度
提高速度：加一些DWconv、ghostconv等等提高精度：一般都得上模型复杂度，会变慢，但是速度会提高
如果有需要我可以详细讲一下，我有一些yolov8的改进方法： 可以看我的GitHub yolov8改进 具体策略在 STF-YOLO/cfg/models/v8/ 里
精彩文章
您阅读本篇文章共花了：
发表评论