【YOLO系列】YOLO算法改进史

有品位的小丑

已于 2024-08-27 12:31:24 修改

阅读量1.1k

点赞数 22

分类专栏：目标检测与生成式模型学习记录文章标签：目标检测 YOLO 算法

于 2024-08-25 15:26:17 首次发布

本文链接：https://blog.csdn.net/qq_51366016/article/details/141529474

版权

目标检测与生成式模型学习记录专栏收录该内容

4 篇文章 0 订阅

订阅专栏

前言

YOLO（You Only Look Once）是一种革命性的目标检测算法，以其快速和高效的性能而闻名。自2015年YOLOv1的首次推出以来，YOLO系列已经经历了多次迭代，每一次迭代都在速度、准确性和计算效率方面做出了显著的贡献。

版本号	年份	主要贡献与特点
YOLOv1	2015	实时端到端物体检测，将检测视为回归问题，单次网络评估预测位置和类别
YOLOv2	2016	引入批量归一化，高分辨率分类器，全卷积网络，能检测超过9000个类别
YOLOv3	2018	使用更深的Darknet-53网络，引入特征金字塔网络提高多尺度目标检测能力
YOLOv4	2020	结合CSPNet、PANet、SAM等技术，提高特征提取和检测效率
YOLOv5	2020	使用Pytorch框架，不同大小模型版本适应不同环境，易用性和性能显著改进
YOLOv6	2021	多种不同尺寸模型适应工业应用，继续在YOLO系列基础上改进
YOLOv7	2022	架构变化和一系列免费包提高准确率，保持实时性
YOLOv8	2023	新功能和改进，包括新的骨干网络、Anchor-Free检测头和新损失函数，提升性能和灵活性
YOLOv9	2023	引入可编程梯度信息（PGI）和基于梯度路径规划的通用高效层聚合网络（GELAN）架构
YOLOv10	2024	通过消除非最大抑制（NMS-Free）和优化各种模型组件，实现了最先进的性能。

YOLOv1

核心思想：
将目标检测任务视为一个回归问题，直接在整幅图像上进行边界框的预测和类别分类，一次性输出目标的位置和类别信息。
网络结构： 输入图像被 resize 到 448x448，经过一系列卷积层和全连接层处理。最后一个全连接层输出一个 7x7x30 的张量，其中 7x7 表示将图像划分为 7x7 的网格，每个网格对应 30 维的预测信息，包括 2 个边界框的位置（4 个值）、置信度（2 个值）和 20 类对象分类的概率。
优点： 检测速度快，能够在一张图像上同时预测多个目标的位置和类别；对背景的误检率相对较低，因为是基于整幅图像进行检测，能利用上下文信息。
缺点： 定位精度不够高，尤其是对于小目标的检测效果较差；每个网格只能预测一组类别概率，对于多个目标位于同一网格的情况处理能力有限；边界框的预测不够准确，召回率相对较低。

YOLOv2

改进之处：
1. 输入尺度： 支持更高分辨率的输入，提高了对小目标的检测能力。
2. 网络层改进：
  - 在卷积和激活函数之间添加批量归一化（Batch Normalization），加快训练速度并提高准确率，减少了对 Dropout 层的依赖。
  - 借鉴 ResNet 的思想，进行特征图的拼接操作，融合不同层次的特征信息，增强了模型对多尺度特征的表达能力。
3. 输出结果处理：
  - 引入先验框（Anchor Boxes）的概念，每个网格预先定义多个不同尺寸和比例的先验框，提高了对不同形状目标的适应性，虽然准确率略有下降，但召回率提升明显。
  - 对边界框的预测值进行编码（Encode）处理，将预测值的范围控制在一定范围内，使模型训练更加稳定。
性能提升： 在保持较快检测速度的同时，一定程度上提高了检测精度和召回率，尤其是对小目标的检测效果有所改善。

YOLOv3

改进之处：
1. 多尺度预测： 在三个不同尺度上进行边界框的预测，利用类似特征金字塔网络的思想，融合不同层次的特征图，提高了对不同大小目标的检测能力，尤其是对小目标的检测效果进一步提升。
2. 特征提取器： 采用新的 Darknet-53 作为特征提取器，它是 YOLOv2 中的 Darknet-19 与残差链接混合的方法改进而来，具有更深的网络层次（53 层），性能优于 ResNet-101，速度更快，能够提取更丰富、更具代表性的特征。
3. 边界框预测： 沿用 YOLOv2 的维度聚类方式生成先验框，并为每个边界框预测一个物体得分，使用逻辑回归进行预测，同时采用单独的逻辑分类器对每个类别进行预测，不使用 Softmax 分类器，以适应一些标签不完全互斥的数据集。
性能特点： 检测精度较高，速度也相对较快，在不同尺度的目标检测上表现较为均衡，能够处理较为复杂的检测场景。

YOLOv4

改进之处：
1. 骨干网络： 采用了更强大的 CSPDarknet53 作为骨干网络，结合了跨阶段局部网络（CSPNet）的思想，增强了网络的特征提取能力和学习能力，提高了模型的准确性和效率。
2. 数据增强： 使用了多种数据增强技术，如 Mosaic 数据增强，通过将多张图片拼接在一起进行训练，丰富了训练数据的多样性，提高了模型的泛化能力和鲁棒性。
3. 激活函数： 使用 Mish 激活函数代替传统的 Leaky ReLU 激活函数，Mish 函数在负值区域有更平滑的过渡，有助于提高模型的收敛速度和准确性。
4. 优化算法： 在训练过程中采用了一些优化技巧，如学习率余弦退火衰减、标签平滑等，进一步提高了模型的训练效果和稳定性。
5. 检测头： 对检测头进行了改进，采用了更高效的结构，提高了检测的速度和精度。
性能优势： 在保持较高检测速度的前提下，显著提高了检测精度，尤其是在复杂场景下对各种目标的检测能力较强，具有较好的泛化性能和鲁棒性。

YOLOv5

改进之处：
1. 灵活的模型架构： YOLOv5 提供了多种不同规模的模型，如 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 等，以适应不同的应用需求和计算资源。用户可以根据实际情况选择合适的模型，在速度和精度之间进行权衡。
2. 更高效的训练策略： 采用了自适应锚框计算、自适应图像缩放等技术，提高了训练效率和模型的适应性。同时，在数据增强方面也进行了优化，使用了多种数据增强方法的组合，进一步提升了模型的性能。
3. 优化的网络结构： 对网络的各个组件进行了优化，如改进了骨干网络的结构，使其在特征提取方面更加高效；优化了颈部网络（Neck）和头部网络（Head）的设计，提高了特征融合和目标检测的效果。
性能特点： 具有较高的检测精度和较快的检测速度，训练和部署相对简单方便，能够在各种硬件平台上高效运行，广泛应用于实际场景中的目标检测任务。

YOLOv6

改进之处：
1. 骨干网络： 使用了更高效的 EfficientRep 作为骨干网络，它是基于 RevGG 结构改进而来，对硬件更加友好，能够在 GPU 设备上实现更高效的计算，提高了模型的推理速度。
2. 颈部网络： 基于 Rep 和 PAN 搭建了 Rep-PAN 颈部网络，通过引入 Rep 结构，降低了硬件上的延时，提高了特征融合的效率。
3. 检测头： 与 YOLOX 一样对检测头进行解耦，将边框回归与类别分类分开，提高了模型的性能和收敛速度。同时，重新设计了一个更高效的解耦头结构，在不影响精度的情况下降低了延时，实现了速度与精度的平衡。
4. 标签分配： 沿用了 YOLOX 的 SimOTA 标签分配方法，能够为不同目标设定不同的正样本数量，解决了正负样本不均衡的问题，提高了模型的训练效果。
5. 边框回归损失： 引入了新的边框回归损失 SIoU，通过考虑框与框之间的向量角度，重新定义了距离损失，有效降低了回归的自由度，加速了网络的收敛，进一步提升了回归的准确性。
性能表现： 在保持较高检测精度的同时，大幅提高了推理速度，尤其在工业界的实际应用中具有很大优势，能够满足对实时性要求较高的场景需求。

YOLOv7

改进之处：
1. 网络结构设计：
  - 使用了 ELAN 和 MP 结构等新颖的模块。ELAN 结构通过控制最短和最长的梯度路径，使更深的网络能够更有效地学习和收敛，并且基于 ELAN 设计的 E-ELAN 进一步增强了网络的学习能力。MP 结构则同时采用了最大池化和步长为 2 的卷积，在不增加太多计算量的情况下，丰富了特征提取的方式。
  - 采用了重参数化结构（Rep structure），将多个分支的参数进行整合，在训练时具有多分支结构的优势，而在推理时可以等效为单路模型，提高了推理速度。
2. 激活函数： 使用 SiLU 激活函数，相比传统的激活函数，SiLU 在负值区域有更平滑的过渡，有助于提高模型的收敛速度和准确性。
3. 损失函数和匹配策略： 在损失函数方面，整体和 YOLOv5 保持一致，分为坐标损失、目标置信度损失和分类损失三部分，并采用了 CIoU 损失作为坐标损失函数。在匹配策略上，参考了 YOLOv5 和 YOLOv6 使用的 SimOTA 方法，并进行了一些改进和优化，如在训练前通过 k-means 聚类算法获得先验的 anchor 框，根据 gt 框的中心位置扩充正样本等，提高了模型的训练效果和对目标的检测能力。
性能特点： 在速度和精度方面都有较好的表现，尤其是在处理复杂场景和小目标检测方面具有一定优势，能够在不同的硬件平台上实现高效的目标检测。

YOLOv8

改进之处：
1. 统一的模型架构： YOLOv8 采用了统一的模型架构，包括骨干网络、颈部网络和检测头，使得不同规模的模型（如 YOLOv8n、YOLOv8s、YOLOv8m、YOLOv8l、YOLOv8x）之间具有更好的一致性和可扩展性。
2. 新骨干网络： 为模型提供了更强大的特征提取能力。它能够从输入图像中捕捉到更丰富、更细致的特征信息，使得模型在检测不同目标时更加准确。
3. Anchor-Free 检测头：
  - 摆脱了传统 Anchor-Based 方法中对预设锚框的依赖，极大地提高了检测的灵活性。在不同的应用场景中，无需再为不同的目标大小和形状手动调整锚框参数，减少了模型的复杂性和调参的难度。
  - 对于形状不规则或尺度变化较大的目标，Anchor-Free 检测头能够更好地适应，从而提高检测的准确率。
4. 先进的训练策略： 采用了诸如标签平滑、IoU-aware loss 等训练技巧，进一步提升了模型的性能和泛化能力。
5. 多任务学习支持： 除了目标检测任务，YOLOv8 还支持实例分割等多任务学习，能够满足更多不同的应用需求。
性能优势： 在保持高速度的同时，显著提高了检测精度，尤其是在小目标检测和密集目标检测场景下表现出色。模型具有较高的灵活性和可定制性，能够适应不同的应用场景和硬件环境。

YOLOv9

改进之处：
1. 可编程梯度信息（PGI）：
- 增强学习能力
  - PGI 允许模型根据不同的任务和数据特点，灵活地调整梯度的计算和传播方式。这使得模型能够更好地适应各种复杂的场景，提高对不同类型目标的检测精度。
  - 通过对梯度进行编程，可以更加有针对性地优化模型的参数，加快模型的收敛速度，减少训练时间。
- 提高鲁棒性
  - PGI 使得模型在面对噪声、遮挡和光照变化等干扰因素时，具有更强的鲁棒性。它能够自动调整梯度，使模型更加关注重要的特征，减少对干扰因素的敏感程度。
2. 基于梯度路径规划的通用高效层聚合网络（GELAN）架构
- 高效的特征融合
  - GELAN 架构通过精心设计的梯度路径规划，实现了不同层之间的高效特征融合。这使得模型能够充分利用不同层次的特征信息，提高对目标的表征能力。
  - 不同层的特征具有不同的分辨率和语义信息，GELAN 能够将它们有效地结合起来，从而在不同尺度上更好地检测目标。
- 通用的架构设计
  - GELAN 架构具有通用性，适用于各种不同的任务和数据集。它可以很容易地与其他模块结合，进一步提升模型的性能。
  - 这种通用的架构设计使得 YOLOv9 在不同领域的应用中具有更大的潜力和灵活性。

YOLOv10

改进之处：
1. 消除非最大抑制（NMS-Free）
- 提高检测速度
  - 传统的目标检测算法中，非最大抑制（NMS）步骤需要消耗一定的时间来筛选和去除重复的检测框。消除 NMS 后，YOLOv10 能够显著提高检测速度，尤其在处理大量目标和实时应用场景中具有明显优势。
  - 这使得模型能够更快地响应，满足对实时性要求极高的应用，如自动驾驶、智能监控等。
- 减少误检和漏检
  - NMS 过程中可能会因为阈值设置不当而导致误检或漏检。消除 NMS 后，YOLOv10 采用了更加先进的策略来处理重复检测框，降低了误检和漏检的概率。
  - 模型能够更准确地检测出不同大小和形状的目标，提高了检测的精度和可靠性。
2. 优化各种模型组件
- 增强特征提取能力
  - YOLOv10 对模型的各个组件进行了优化，进一步增强了特征提取能力。这包括改进的骨干网络、更有效的特征融合策略等。
  - 强大的特征提取能力使得模型能够更好地捕捉目标的特征，提高检测的准确性。
- 提高模型的稳定性和泛化能力
  - 通过优化模型组件，YOLOv10 提高了模型的稳定性和泛化能力。它能够在不同的数据集和场景下表现出更好的性能，减少过拟合的风险。
  - 这使得模型更加可靠，适用于各种实际应用场景。