yolov3和yolov5的区别

YOLO从第一次被提出到今天经历了非常久的发展，不断地对算法中存在的问题进行改进，目前YOLO算法已经应用于非常多的工业场景，yolov3和yolov5是yolo系列算法中的两个版本yolov5在yolov3基础上进行了两个版本的迭代，二者的主要区别有以下几点：

1. V5在输入端使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放操作；
2. V5在主干网络部分使用了：Focus结构与CSP结构；
3. V5在neck网络部分添加了FPN+PAN结构；
4. V5修改损失函数为GIOU_Loss以及预测框筛选的DIOU_nms。

yolov3

yolov3是yolo原作者的最后一个迭代版本，v2的基础上进行了小幅度的改动，主要有以下几个方面：

1. 引入了FPN，使模型可以实现多尺度预测；
2. 分类网络中添加了残差结构，提高了分类网络的性能；
3. 分类器不再使用softmax，对多标签分类的支持更好了；

v3更多的是在v2基础上做了一些工程化的改进，核心思想与v2类似。

yolov4

yolov4并没有对前面存在的问题进行针对性改进，而是对视觉领域的各种图像处理与检测技术进行融合，吸收各处理方法的优点，题冲了一个超高检测速度的yolo模型。

主要的贡献有如下几点：

1. 提出了一种高效而强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 Ti GPU 训练超快速和准确的目标检测器；
2. 改进了SOTA的方法，使它们更有效，更适合单GPU训练；
3. 将目前主流的目标检测器框架进行拆分：input、backbone、neck 和 head，使模型的研究变得模块化。

其实第三点贡献非常重要，模块化的网络使的研究者和应用者可以灵活的进行调整，例如可以在移动设备如手机中运行的目标检测模型MobileNet就是将backbone替换为了更轻量的网络，在检测速度和检测精度上做了妥协。

yolov5

该算法在YOLOv4的基础上添加了一些新的改进思路，使得其速度与精度都得到了极大的性能提升，具体包括：

1. input：Mosaic数据增强、自适应锚框计算、自适应图片缩放操作；
2. backbone：Focus结构与CSP结构；
3. neck：FPN+PAN结构；
4. head：修改损失函数为GIOU_Loss以及预测框筛选的DIOU_nms。

总结

通过对v3-v5三个版本的改进介绍，可以看到，这几个版本的更迭主要在工程化应用上进行了改进，而v5又再一次对backbone和neck部分进行了一定的改进，进一步提高了yolo算法的性能。