[YOLO] YOLO介绍，YOLOv1~YOLOv8版本变更，每个版本的特点介绍

什么是YOLO?

YOLO之前，双阶段（two-stage）的R-CNN系列算法，在目标检测领域独占鳌头。先利用RPN网络进行感兴趣区域的生成，再对该区域进行分类与位置的回归。

R-CNN优缺点：提升了精度，但限制了检测速度。

Alexey Bochkovskiy和Joseph Redmon于2016年提出YOLO(You Only Look Once)算法，YOLO是一种实时目标检测算法，它利用CNN卷积神经网络进行特征提取，并识别种类和位置。

YOLO优缺点：检测速度很快，但精度明显下降。

YOLO的核心思想：把目标检测转变成一个回归问题。将整个图像作为网络的输入，仅仅经过一个神经网络，得到边界框的位置及其所属的类别。

YOLO目前在计算机视觉领域得到了广泛的应用。常用的经典版本，包括YOLOv5, YOLOv7, YOLOv8。

YOLO版本变更

https://docs.ultralytics.com/zh/#_1

目前已经发展到了YOLOv8版本。下面简单介绍一下每个版本的主要特点：

YOLOv8 - 2023.1，Ultralytics

YOLOv8版本 UltralyticsLLC 公司推出的是，利用了与YOLOv5类似的代码，但采用了新的结构，其中使用相同的代码来支持分类、实例分割和对象检测等任务类型。模型仍然使用相同的YOLOv5 YAML格式初始化，数据集格式也保持不变。

YOLOv8目标检测算法相较于前几代YOLO系列算法具有如下的几点优势：

• 更友好的安装/运行方式
• 速度更快、准确率更高
• 新的backbone，将YOLOv5中的C3更换为C2F
• YOLO系列第一次尝试使用anchor-free

YOLOv7 - 2022.7.7，Alexey Bochkovskiy

YOLOv7是YOLOv4团队的续作，主要是针对模型结构重参化和动态标签分配问题进行了优化。

YOLOv7检测算法的思路是与YOLOv4、v5类似。

主要改动：

1.提出了计划的模型结构重参化。

2.借鉴了YOLOv5、Scale YOLOv4、YOLOX，“拓展”和“复合缩放”方法，以便高效的利用参数和计算量。

3.提出了一种新的标签分配方法。

YOLOv6 - 2022.6.23，美团

YOLOv6检测算法的思路类似YOLOv5（backbone+neck）+YOLOX（head）。

主要改动：

1.骨干网Yo络由CSPDarknet换为了EfficientRep

2.Neck是基于Rep和PAN构建了Rep-PAN

3.检测头部分模仿YOLOX，进行了解耦操作，并进行了少许优化。

YOLOv5 - 2020.6.10，Ultralytics

YOLOv5版本 UltralyticsLLC 公司推出的，是在YOLOv4的基础上做了少许的修补，由于改进比较小，譬如：

1. 将v4版本骨干网络中的CSP（Channel and Spatial Pyramid）结构拓展到了NECK结构中。

2. 增加了FOCUS操作，但是后续6.1版本中又剔除掉了该操作，使用一个6x6的卷积进行了替代。

3. 使用SPPF结构代替了SPP。

YOLOv4 - 2020.4.23，Alexey Bochkovskiy

Alexey Bochkovskiy大神对YOLOv3进行了升级改造，核心思想与之前基本一致，不过从数据处理、主干网络、网络训练、激活函数、损失函数等方面对子结构进行了大量的改进。

重要升级举措包括：

1. 将CSP（Channel and Spatial Pyramid）结构融入Darknet53中，生成了新的主干网络CSPDarknet53

2. 采用SPP（Spatial Pyramid Pooling）空间金字塔池化来扩大感受野

3. 在Neck部分引入PAN结构，即FPN+PAN的形式

4.引入Mish激活函数

5. 引入Mosaic数据增强

6.训练时采用CIOU_loss ，同时预测时采用DIOU_nms

YOLOv3 - 2018.4.8，Joseph Redmon

针对YOLOv2的问题，吸收当下较好的网络设计思想，引入了残差网络模块。重要深化改革的举措：

1. 在darknet19的基础上推陈出新，引入残差，并加深网络深度，提出了Darknet53；

2. 借鉴了特征金字塔的思想，在三个不同的尺寸上分别进行预测。

YOLOv2 - 2016.12.25，Joseph Redmon

相比于YOLOv1,YOLOv2在网络结构上进行了改进，引入了更多的卷积层和池化层，从而提高了检测精度。此外，YOLOv2还对数据集进行了扩充，从而进一步提高了模型的泛化能力。

YOLOv1 - 2015.6.8，Joseph Redmon

这是YOLO最早的版本，它的网络结构比较简单，准确率也相对较低。YOLOv1在小目标检测和定位方面存在一定的困难，并且对于密集目标的处理效果不佳。但是，它为后来的YOLO算法奠定了基础。

总结

总之，YOLO作为一种实时目标检测算法，具有速度快、精度高等特点，被广泛应用于计算机视觉领域。不同版本的YOLO在网络结构、训练方法和应用场景等方面都有所不同，用户可以根据自己的需求选择合适的版本。

参考资料

YOLOv3-YOLOv7变化

名声大噪的YOLO迎来YOLOv8，迅速包揽目标检测、实例分割新SOTA 

三万字硬核详解：yolov1、yolov2、yolov3、yolov4、yolov5、yolov7_yolo各版本区别 

YOLOv8目标检测算法