YOLO系列

1. YOLOv1

YOLO相较于RCNN系列目标检测网络没有显式求候选区域的过程，且将RCNN中的分类和回归统一为一个回归问题。

步骤

• 将一幅图像分成S×S个网格，如果某个目标的中心落在这个网格内，则该网格就负责预测这个目标
• 每个网格需要预测B个边界框（BBox，bounding box）的位置信息和置信度（confidence），以及类别信息，共5×B+C个值（其中类别信息是针对每个网格，置信度是针对每个边界框）。对于S×S个网格，网络输出为S×S×(5×B+C)的一个张量$$置信度大小=目标落在网络中的概率\times 边界框与真实框的IOU$$
• 测试集中，将每个网格预测的类别信息与置信度相乘，得到的结果为该边界框的得分（类别置信度），舍弃得分小于某个阈值的边界框，并对剩下的边界框进行NMS（非极大值抑制）处理，得到最终的检测结果

损失函数

缺点

• YOLOv1网络的输出层为全连接层，因此只支持与训练图像相同的输入分辨率
• 虽然每个格子可以预测B个bounding box，但是最终只选择只选择IOU最高的bounding box作为物体检测输出，即每个格子最多只预测出一个物体
• 损失函数中，大物体和小物体的IOU误差对网络训练中loss贡献值接近（虽然采用求平方根方式，但没有根本解决问题），对于小物体的定位准确性较差

2. YOLOv2

• YOLOv2提出了一种新的联合训练算法：将分类数据集和检测数据集混合，用分类数据集来增加分类的类别量，提升鲁棒性
• 引入了BN层：有助于解决反向传播过程中的梯度消失和梯度爆炸问题，且有一定的正则化效果
• 引入了anchor（候选框）：YOLOv1通过全连接层预测边界框的坐标值，YOLOv2去掉了全连接层，使用anchor来预测边界框。该方法使YOLOv2的召回率大幅提高，mAP轻微下降（YOLOv1中需要预测的边界框少，YOLOv2存在很多无用框）
• 通过K-means提取anchor：Faster-RCNN手动选择anchor，YOLOv2使用训练集中的边界框聚类得到anchor
• 采用多尺度图像训练（Multi-ScaleTraining）：YOLOv2每10个batch会随机选择一个新的图片尺寸，网络下采样参数为32，因此所有图片尺寸均为32的倍数，网络的最后采用了全局平均池化

3. YOLOv3

• YOLOv3使用了Darknet-53，增加了残差连接
• 将平方差损失函数改为sigmod损失函数（不用softmax因为每个网格中可能出现多种类别）
• YOLOv3使用了多尺度预测：引入了FPN（特征金字塔网络），网络中有3个分支，对应3种尺度的预测。尺度一输出13×13的特征图，尺度二两倍上采样后与前两层的特征图（一次下采样前）叠加输出26×26的特征图，尺度三四倍上采样后与前三层（两次下采样前）的特征图叠加输出52×52的特征图
• 通过K-means提取anchor：YOLOv3通过聚类得到聚类中心，每个聚类中心对应9个anchor（3种尺度），每种尺度预测3个anchor

4. YOLOv4

• 相较于YOLOv3的DarkNet-53，YOLOv4使用了CSPDarknet-53
• 相较于YOLOv3的FPN,YOLOv4用了SPP+PAN
• CutMix数据增强和马赛克（Mosaic）数据增强
• DropBlock正则化