浅谈不同版本YOLO的区别（V1-V3）

  深度学习的经典检测方法有两种方式：two-stage和one-stage，属于two-stage的有Mask-Rcnn等，而YOLO（You Only Look Once）属于one-stage，这两者的主要区别是two-stage多了一步预选，因此two-stage的准确度要高一些，速度相对one-stage慢得多。

  YOLO-V1

  

 

  YOLOV1核心思想，简单的说就是在每个监测点上产生横竖两个框，再将置信度大于阈值的作为物体，其他的作为背景。接着在两个框中选出Iou大的，算出x,y,w,h，画出预测框。

  Iou(Intersection over union)即真值与预测值的交集比上真值与预测值的并集，在物体检测中一般Iou值越大越好，具体如下图所示：

  网络结构中reshape后得到的7×7×30含义：7×7为最终网格大小，30分为B1(x,y,w,h,c共5个)+B2(x,y,w,h,c共5个)+20分类。

  YOLOV1为物体检测领域带来了很多新思想，但是它的缺点也十分明显，每个cell只能预测一个类别，并且无法解决物体重叠的问题。此外，YOLOV1对小物体的检测效果也不理想。 因此更强的YOLOV2来了。

  YOLO-V2

  YOLOV2与V1相比舍弃了dropout（dropout的作用是防止过拟合），而采用了卷积后进行Batch Normalization，将网络的每一层都做了归一化，让收敛相对更容易。

  V1训练时用的分辨率是224×224，测试时是448×448。V2在训练时额外进行了十次448×448的微调。

  V2在网络结构中的实际输入为416×416，但在网络中没有设置全连接(FC)层，而是使用了五次降采样来减少输出的大小。

  V2引入了anchor boxes使预测的box数更多。需要注意的是，V2中的预测框采用了相对位置来表示，其计算公式如下

 

   其中σ为sigmoid函数，关于这个函数网上有很多科普与解析，这里不在赘述。在上图中，原点为(Cx,Cy)，而bbox原点为(bx,by)，是原点相对偏移后的结果。

  YOLO-V3

  讲V3前先放一张图

   这里将V3的曲线放到坐标轴外应该是作者整的活，意思大概是“我比你们厉害多了！”

  V3为了增加对小物体检测的准确度，用了三种scale，每种3个规格，一共9种先验框。

   V3的核心思想之一是不同的特征图融合后进行预测，比如先进行上采样再进行融合。V3也运用了resnet的思想，堆叠了更多层来进行特征提取，其网络结构如下图所示

   可以看到，V3的网络结构中没有池化和全连接层，下采样通过stride为2实现，并有三种大小的特征图和9种先验框，分别是在13*13特征图上：(116x90)，(156x198)，(373x326)三种尺寸；26*26特征图上：(30x61)，(62x45)，(59x119)三种尺寸；52*52特征图上：(10x13)，(16x30)，(33x23)三种尺寸。