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