YOLOv1-v5比较和介绍

YOLO算法

最原始的是划窗法

在Faster R-CNN中，是通过一个RPN来获得目标的感兴趣区域，这种方法精度高，但是需要额外再训练一个RPN网络，这无疑增加了训练的负担。

$$confidence=Pr(obj)\ast IO{U}_{truth}^{pred}$$

NMS非极大值抑制

我们把B1成为极大bounding box，计算极大bounding box和其他几个bounding box的IOU，如果超过一个阈值，例如0.5，就认为这两个bounding box实际上预测的是同一个物体，就把其中confidence比较小的删除。

损失函数
$$loss={\lambda }_{coord}\sum _{i=0}^{S^2}\sum _{j=0}^B{l}_{ij}^{obj}[(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2]+{\lambda }_{coord}\sum _{i=0}^{S^2}\sum _{j=0}^B{l}_{ij}^{obj}[(x_i-{\hat{x}}_i{)}^2+({\sqrt{h}}_i-{\sqrt{\hat{h}}}_i{)}^2]+\sum _{i=0}^{S^2}\sum _{j=0}^B{l}_{ij}^{obj}(C_i-{\hat{C}}_i{)}^2+{\lambda }_{noobj}\sum _{i=0}^{S^2}\sum _{j=0}^B{l}_{ij}^{noobj}(C_i-{\hat{C}}_i{)}^2+\sum _{i=0}^{S^2}{l}_i^{obj}\sum _{c\in \text{classes}}(p_i(c)-{\hat{p}}_i(c){)}^2$$

使用平方根的MSE而不是MSE其实就是像让模型对小尺度的物体更敏感。或者说，对大的和小的物体同样敏感。

让梯度更稳定，如果grid中不含有物体，它对1，2，3，5项没有影响，如果调节第四项，会让含有物体的grid的confidence发生改变，这可能使其他项的梯度剧烈变化，从而带来模型上的不稳定。

YOLO大致框架

backbone 特征提取

Neck 特征融合和增强

Head 检测和分类

Anchor boxes

引入了锚框（Anchor Boxes）的概念，即在每个网格单元中预定义一组不同尺度和长宽比的边界框。这种方法使得网络能够预测不同大小和形状的物体边界框，提高了检测多样性物体的能力。

CBL 卷积层+批量化归一层+Leaky ReLU激活函数层

BN 批量归一化，帮助避免梯度消失或爆炸问题，加速模型的收敛过程。

Leaky ReLU 激活函数 引入非线性特性，帮助模型学习复杂的特征，同时防止梯度消失问题。

reorg

重组织（Reorganize）特征图，将低分辨率特征图重新排列为高分辨率特征图。

passthrough layer

通过将较早层的特征图与较晚层的特征图进行拼接，使得网络能够利用高分辨率的细节特征，提高了小物体的检测性能。

yolov3
darknet-53

Res unit通过引入跳跃连接，来帮助更深层次的网络更有效地训练，缓解梯度消失的问题。

Concat 张量拼接，会扩充两个张量的维度

add 张量相加，张量直接相加，不会扩充维度

yolov4

Mish 激活函数：在 CSPDarknet53 中，YOLOv4 使用了 Mish 激活函数，替代了一部分 Leaky ReLU 激活函数。Mish 函数在某些情况下能更好地捕捉复杂特征，提高模型性能。
$$\begin{array}{c}f(x)=\{\begin{array}{r}x,ifx\ge 0\\ ax,ifx<0\end{array}\end{array}$$
其中a是一个小的常数，通常为0.01.
$$f(x)=x\ast tanh(ln(1+e^x))$$
Mish 提供了更平滑的梯度和更强的非线性表达能力，在一些复杂任务中能表现出更好的性能。

CSP_X跨阶段连接会使得特征在不同阶段之间交换和融合，从而增加了特征的多样性和丰富度。提高了网络对目标的感知范围和理解能力。 每个CSP1_x模块后跟着的CBL序列有助于增强特征的非线性表达能力，使得网络可以更好地捕获图像中的复杂模式和结构。

SPP

• 将输入特征图进行不同尺度的池化（如 1x1, 5x5, 9x9, 13x13 等），然后将池化后的特征图拼接起来。
• 增强特征图的感受野，使得模型能够更好地捕捉到不同尺度下的特征信息。
• 有助于提高模型对不同大小目标的检测能力，特别是在存在多尺度对象时表现更好。
  
  focus slice+concat拼接+CBL
  将4×4×3的特征图经过切片处理，变成2×2×12的特征图。将608×608×3 的三通道图像输进 Focus 结构，经过切片操作，先变成304×304×12 的特征图，之后，经过使用 32 个卷积核的卷积操作，最终变成 304×304×32 的特征图。

CSP1_x主要用于增加网络的感知范围和特征传递效率，而CBL主要用于增强特征提取过程中的非线性表达能力和稳定性。

CSP2_x位于较深的网络层级，通常位于网络的中间或末尾部分。它主要负责处理较高级别的语义特征，例如对物体形状、结构等更抽象的特征的感知。

YOLOv1-YOLOv5之间的对比如下表所示：

model	backbone	neck	head
yolov1	googleNet（24Conv+2FC+reshape；Dropout防止过拟合；最后一层使用线性激活函数，其余层都使用ReLU激活函数）；	无	IOU_Loss、nms；一个网格只预测了2个框，并且都属于同一类；全连接层直接预测bbox的坐标值；
yolov2	Darknet-19（19Conv+5MaxPool+AvgPool+Softmax；没有FC层，每一个卷积后都使用BN和ReLU防止过拟合（舍弃dropout）；提出passthrough层：把高分辨率特征拆分叠加大到低分辨率特征中，进行特征融合，有利于小目标的检测）；	无	IOU_Loss、nms；一个网络预测5个框，每个框都可以属于不同类；预测相对于anchor box的偏移量；多尺度训练（训练模型经过一定迭代后，输入图像尺寸变换）、联合训练机制；
yolov3	Darknet-53（53*Conv，每一个卷积层后都使用BN和Leaky ReLU防止过拟合，残差连接）；	FPN（多尺度检测，特征融合）	IOU_Loss、nms；多标签预测（softmax分类函数更改为logistic分类器）；
yolov4	CSPDarknet53（CSP模块：更丰富的梯度组合，同时减少计算量、跨小批量标准化（CmBN）和Mish激活、DropBlock正则化（随机删除一大块神经元）、采用改进SAM注意力机制：在空间位置上添加权重）；	SPP（通过最大池化将不同尺寸的输入图像变得尺寸一致）、PANnet（修改PAN，add替换成concat）	CIOU_Loss、DIOU_nms；自对抗训练SAT：在原始图像的基础上，添加噪音并设置权重阈值让神经网络对自身进行对抗性攻击训练；类标签平滑：将绝对化标签进行平滑（如：[0,1]→[0.05,0.95]），即分类结果具有一定的模糊化，使得网络的抗过拟合能力增强；
yolov5	CSPDarknet53（CSP模块，每一个卷积层后都使用BN和Leaky ReLU防止过拟合，Focus模块）；	SPP、PAN	GIOU_Loss、DIOU_Nms；跨网格匹配（当前网格的上、下、左、右的四个网格中找到离目标中心点最近的两个网格，再加上当前网格共三个网格进行匹配）；