yolov6-10算法梳理（主要为head部分的设计）

yolov6

年份：2022
机构：美团
文章：https://arxiv.org/pdf/2301.05586
代码：https://github.com/meituan/YOLOv6

• Label assignment
  Warmup用ATSS，之后用TAL
• Class loss
  VariFocal Loss
• object loss
• 加了object loss会变差（会改变TAL计算逻辑）
• Reg loss
  SIoU GIoU
• 亮点
  1，自蒸馏，进一步提升效果，大模型和小模型用不同策略
  2，因为马赛克增强的原因，测试时添加灰边能更好检测边界目标。训练后期关闭马赛克增强并用宽度更小的灰边会好点
  3，训练时增加anchor base的辅助头，推理时去掉，anchor free较于base速度更快，这样训练可能爆显存
  4，量化
  5，重参数

yolov7

年份：2022
作者：Chien-Yao Wang，Alexey Bochkovskiy
文章：https://arxiv.org/pdf/2207.02696
代码：https://github.com/WongKinYiu/yolov7

• Label assignment
  SimOTA
• Class loss
  BCE loss
• object loss
  BCE loss iou值作为软标签（好像是obj学前后景2分类，cls不学背景，anchor base版的yolox）
• Reg loss
  IoU loss
• 亮点
• 1，anchor base可能对小目标更友好
• 2，添加辅助头分配更多正样本，标签匹配由lead head主导
• 3，参考yolor添加隐式和显式知识学习
• 4，重参数

yolov8

年份：2023
机构：Ultralytics
代码：https://github.com/ultralytics/ultralytics

• Label assignment
  TAL
• Class loss
  VariFocal Loss
• object loss
  无
• Reg loss
  DFL loss 和CIOU loss
• 亮点
• 1，DFL loss，TAL+VariFocal Loss好用

yolov9

年份：2024
作者：Chien-Yao Wang
文章：https://arxiv.org/pdf/2402.13616
代码：https://github.com/WongKinYiu/yolov9

• Label assignment
  TAL
• Class loss
  BCE
• object loss
  无
• Reg loss
  DFL loss 和IOU loss
• 亮点
• 1，添加辅助分支降低信息损失

yolov10

年份：2024
机构：清华
文章：https://arxiv.org/pdf/2405.14458
代码：https://github.com/THU-MIG/yolov10

• Label assignment
  TAL
• Class loss
  BCE
• object loss
  无
• Reg loss
  DFL loss 和IOU loss
• 亮点
• 1，one2one（tal topk=1）和one2many（tal topk=10）两个head训练，推理只用one2one
• 2，轻量的cls head，复杂度更低的下采样，更紧凑的block设计
• 3，深层用大核卷积和注意力机制