深度学习目标检测YOLO算法，带你快速了解

深度学习目标检测YOLO算法，带你快速了解

Yolo系列的模型，更新迭代速度可以称得上是内卷之王了，目前已经有了V8的版本。在论文审稿人心中的理想人选必然得是紧跟学术发展潮流的，只知道V1-V4的改进点稍显逊色，本篇就来总结下V5-V7版本的改进点，让你只看一次，便可在面对科研论文时胸有成竹！

YoloV5在V4的基础上，又做了以下改进：

1. Focus模块：

先间隔完成分块任务，将图像特征重排，在通道维度拼接后再走卷积操作，减少网络层数和计算量，对速度有一定提升。

2. BottleneckCSP：将CSP结构与残差连接巧妙结合，与V4版本的CSPNet结构类似，直观来看是双层残差结构的嵌套，但卷积层的具体参数，二者的内部实现稍有不同。

3. FPN+PAN：特征融合的更加细致，上采样与下采样的多次拼接，进一步支撑小目标检测。

YoloV5在小目标检测上效果进一步提升，将自适应锚框计算的代码也整合到项目源码中，通过参数的灵活配置，可以得到不同复杂度的模型，源码中内置的超参数优化策略，也提升了模型的整体性能，是一份很具参考价值、可维护使用的工程性目标检测项目源码。

YoloV7在V6的基础上，又做了以下改进：

YoloV6和V7的发布时间间隔很短，V6的主要工作是围绕更好地适应GPU设备，将RepVGG的结构引用到backbone和neck中，同时对检测头进行解耦，分开了边框回归和类别分类，由于V6版本犹如昙花一现，且与V7版本有相似的改进点，所以本文重点阐述YoloV7版本的以下改进：

（1）RepVGG：重参数化的主要目的是为了加速、节省内存，由于nvidia设备对3*3的卷积核运算优化效果最好，YoloV7将不同尺寸的卷积核、BN层、短路连接层，全部转化成3*3的卷积，在推理时合并计算，大幅度节省了计算耗时。

对BN层，在计算公式上做推导、合并，最终的公式如下所示：

对1*1的卷积层和短路连接层，采用填充0的方式，构建成3*3的卷积核，其中短路连接还将卷积核参数固定成0和1。

（2）正样本分配策略：把GT的中心点上下左右偏移0.5个单位，由原来一个grid变成了三个grid，得到更多的正样本候选框。筛选候选框需要满足以下三个条件：

▶GT与anchor的长宽比例要在0.25-4之间

▶计算IOU损失，动态匹配topk。先按大小顺序排列取前topk个，但容易出现topk中iou数值有断崖式下降的情况，所以做累加和，做一个向下的截断，自适应topk个样本。

▶计算类别预测损失

（3）相对位置预测：与正样本分配策略中的中心点偏移、长宽比例筛选条件相呼应。

（2）辅助的输出头：每个输出头都对应增加一个辅助头，但仍然利用主头的预测结果来指导选择正样本，由粗到细地引导标签分配策略。

YoloV7在参数量和计算量上大幅度减少，但性能仍有少量的提升，整体来看，yolo系列的更新迭代，除了自身结构特色的优化外，也融进了很多通用性的技巧，这些可移植的改进点非常值得我们去细化总结、参考借鉴。

结尾语：

当你论文找不到创新点、实际项目没有提升思路，看看yolo系列就能让你在短时间内吸收诸多的实用技巧，灵感和思路也就应运而生了。yolo系列也是最常见的探讨话题，可以称得上是人工智能方向的基础送分题了，掌握扎实的基础上，再加上扩展和自己的总结理解，逻辑清晰地表达观点、形成共鸣和讨论，这样的文章审稿人很难不记住你！