YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5的发展（1）

YOLO深度卷积神经网络已经经过原作者Joseph Redmon经过了3代4个经典版本（含YOLOv2和YOLO9000），后因为自己的研究成果被用于军事而道德不安，故放弃更新。
俄罗斯的AlexeyAB接下接力棒，完成了第4版迭代YOLOV4，并获得了Joseph官方认可。
现在，美国公司Ultralytics提出了YOLOV5，并保持持续更新。
需要注意的是，yolov1-v4都是有论文的，而v5并没有论文，只有开源的代码，而且一直保持更新状态。

发展历程
2016.5.9 yolov1
2016.12.25 yolov2
2018.4.8 yolov3
2020.4.23 yolov4
2020.6.10 yolov5

YOLOV1

yolov1作为yolo系列的开山之作，提出的创新思想主要是，不再提前选定候选区，直接在输出层回归目标框的位置和类别。

网络模型

前面的卷基层提取特征，后面的全连接层用于计算输出概率和坐标。

输入图像都需要统一到448×448个像素的RGB三通道的图像上，利用填充拉伸的方法。
第一层：使用分辨率为7×7×64卷积核（步长为2），将448×448×3的图像先变为224×224×64图像；再使用分辨率为2×2（步长为2）的最大池化层，将图像变为112×112×64的图像。
第二层：使用3×3×192的卷积核（步长为1），将112×112×64图像变为112×112×192图像；再使用分辨率为2×2（步长为2）的最大池化层，将图像变为56×56×192的图像。
第三层：使用1×1×128的卷积核（步长为1），将56×56×192图像变为56×56×128图像；使用3×3×256的卷积核（步长为1），将56×56×128图像变为56×56×256图像；使用1×1×256的卷积核（步长为1），56×56×256图像没有变化；使用3×3×512的卷积核（步长为1），将56×56×512图像变为56×56×512图像；再使用分辨率为2×2（步长为2）的最大池化层，将图像变为28×28×512的图像。
第四层：1×1×128的卷积核（步长为1）和3×3×256的卷积核（步长为1）先使用4次，再参考之前的方法，得到14×14×1024的图像。
第五层：得到7×7×1024的图像。
第六层：3×3×1024的两种卷积核使用后得到7×7×1024的图像。
第七层：单层全连接层，得到4096个元素。
第八层：7×7×30的全连接层，得到7×7×30个结果元素。
这就是yolov1结构，网络主体采用24个卷基层+2个全连接层的结构。从第一层到第八层：1+1+4+(2×4+2) +(2×2+2)+2=24。

检测过程

• 将一副图像分成S*S个网格，如果某个物体的中心落在这个网格中，则这个网格负责预测这个物体。
• 每个网格要预测B个bounding box每个bounding box除了要预测位置以外，还要预测一个置信度。每个网格还要预测C个类别的分数。输出就是SxSx[(4+1）*B+C]的一个tensor。
• 根据阈值去除可能性低的窗口，利用非极大值抑制筛选出最终的结果。

损失函数

1.采用平方和误差
2.由于需要均衡不同输出值的数量级和大小对整个LOSS函数的影响，首先，使用了λcoord =5和λnoobj=0.5进行调节；其次宽高计算平方根的误差，而坐标直接计算误差（因为坐标是偏置值，普遍比宽高要小）；再次，计算confidence时候，同时计算有目标和无目标的误差。
3.计算分类时候，只计算有目标的条件下的分类的准确性。
4.公式中 表示有物体中心落入的cell，需要计算分类损失，无目标就置0，通过这种方式减少运算量。

性能

map是精度，fps是速度。

不足
1.每个格子只能预测一个物体，成群的小目标无法预测。
2.由于输出层是全连接层，故只支持与训练图像相同的分辨率，其他分辨率需要填充或者拉伸成固定分辨率