【目标检测经典模型比较】--YOLOv1、v2、v3、v4、v5、x、v7、v8

YOLOv1、v3、v5、v7、v8

1.YOLO(2015)

结构

YOLO检测网络包括24个卷积层和2个全连接层

其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

• YOLO网络借鉴了GoogLeNet分类网络结构。不过使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。
• YOLO论文中，作者还给出一个更轻快的检测网络fast YOLO，它只有9个卷积层和2个全连接层。
• Loss函数使用均方和误差，即网络输出的SxSx(Bx5 + C)维向量与真实图像的对应SxSx(Bx5 + C)维向量的均方和误差。
  coordError、iouError和classError分别代表预测数据与标定数据之间的坐标误差、IOU误差和分类误差。

训练：

batchsize=64 momentum=0.9 decay=0.0005 前期：learning rate= 10−3 to 10−2.后期10−2训练75个epoch，然后用10−3训练30个epoch，最后用10−4训练30个epoch。dropout layer with rate =0.5 数据增强：20%的随机缩放和平移，随机调整曝光和饱和度的图像在HSV颜色空间的一个因子1.5

优点：

1. 速度快，将检测视为回归问题（平均精度也高）
2. 对图像进行全局推理，关联背景上下文（背景错误少）
3. 学习对象的通用模式（相当于模板），推广性强

缺点：

1. 准确性低，定位不佳（小对象更明显）
2. 空间约束限制了我们的模型可以预测的附近物体的数量
3. 难以预测框形状变化大的
4. 损失函数在小边界框和大边界框中处理错误是相同的。

2.YOLOv2(2016) YOLO9000: Better, Faster, Stronger

1. 结构

数据集：ImageNet的9000多个类
yolov2主要集中在提高召回率