yolo概述

背景

在这之前，图像目标检测问题的解决方案是采用CNN两阶段来解决(以fast-cnn为代表)。首次想尝试一阶段（端对端）来解决图像的目标检测算法。

（一）yolo v1

yolo v1采用了类似Google Net的主干网络，有24个卷积层和2个全连接层，将输入图片分为7*7的网格，每个网格预测两个边界框。共有98个边界框，最多识别49个目标。缺点：不利于识别密集的小目标，因为分的网格比较大。
以下为fast-cnn与yolo的比较

（二）yolo v2

1.在v1的基础上，使用 Darknet-19 分类网络。
2.将锚框代替全连接层来预测边界框。
3.联合使用分类和检查的训练方法，扩展目标检查到缺乏检测样本的对象
4.将输入图片修改为416416，最后得到1313的特征图

（三）yolo v3

1.主干网络采用darknet53，加深了网络结构，解决了网络梯度爆炸而引发的难以收敛的问题，前向传播过程中，移除池化层和全连接层，通过改变卷积核的步长来改变张量的尺寸。
2.YOLOv3的预测框较YOLOv2增加了10多倍，增加了多尺度检测。使用了3种尺度，其输出分别是52 52,26 26,××13×13用于检测小、中、大目标，每种尺度预测3个锚框。成为单阶段检测中的里程碑算法之一。

（四）yolo v4

1.基础网络部分，YOLOv4的整体架构与YOLOv3相同，但对各个子结构都进行了改进。YOLOv4删去了最后的池化层、全连接层以及Softmax层，其主干网络有5个CSP模块。
2.将v3之后的各类改进方法进行总结，分为免费包和特价包。其中，前者表示提升训练而对推理速度没有影响的模块，后者表示对推理时间影响较小而性能回报较高的模块。
3.引入空间金字塔池化spp与路径聚合网络.，SPP显著增加了感受野，在不降低运行速度的情况下分离了重要的上下文特征。

（五）yolo v5

1.基本结构与YOLOv4类似，最大不同为根据不同通道的尺度缩放，依据模型从小到大构建了YOLOv5-N/S/M/L/X 5种模型。
2.轻量化：一种是设计轻量化的基础网络，比如Mobile Net系列；另一种是压缩整体网络参数，减少卷积层等设计一些“小而薄”的网络，例如YOLO的tiny系列。
3.YOLO还可通过引入注意力机制来提高算法的检测精度，最终选择空间注意力机制。