YOLO原理

模型		YOLOv2	YOLOv2-tiny	YOLO 9000	YOLOv3	YOLOv3-tiny	yolov4	yolov5-s	yolov5-m	yolov5-l	yolov5-x
大小		194 MB COCO/VOC	43MB COCO 60MB VOC	186MB	237MB COCO	33.8MB COCO	246.19M CSPDarknet包含29个卷积层，725*725的感受野，27.6M参数	28.99	85	193	367

模型	YOLOv1	YOLOv2	YOLOv3	YOLOv4	YOLOv5
	2016CVPR	2017CVPR	2018CVPR	2020CVRP
map	45FPS 448*448 63.4map	67fps 76.8map	在Pascal Titan X上处理608x608图像速度达到20FPS，在 COCO test-dev 上 mAP@0.5 达到 57.9%  237MB	43map/83fps 43.5%AP/65fps
		40fps 78.6map
BackBone	GoogLeNet	darknet19	darknet53	darknet53+CSP	darknet53+Focus+CSP
Neck	None	None	FPN	SPP模块、FPN+PAN结构	SPP模块、 FPN+PAN模块
Head	Fc--->7*7*(5*5+c)	Passthroough: Conv----> 13*13*5*(5+c)	YOLOv3: conv:---> 13*13*3*(5+c) 26*26*3*(5+c) 52*52*3*(5+c)	同YOLOv4	同YOLOv5
Prediction	MSE Loss	MSE Loss	MSE Loss	训练时的损失函数是：CIOU loss 预测框筛选的nms变为DIoU Loss	GIoU Loss
激活函数				backbone--->Mish 网络后面->Leaky_relu

参考：https://zhuanlan.zhihu.com/p/136382095

YOLOv1:链接

1. 2016CVPR 45FPS 448*448 63.4map

YOLOv2:链接

1. 2017CVPR

YOLOv3:链接

1. 2018CVPR

YOLOv4:链接

1. 2020 年 4 月 23 日 在COCO上，可达43.5%AP，速度高达65fps

2. 相较于YOLOv3的Darknet53，YOLOv4用了CSPDarknet

3. 相较于YOLOv3的FPN，YOLOv4用了SPP+PAN

4. CutMix数据增强和马赛克（Mosaic）数据增强
5. DropBlock正则化
6. （1）backbone：CSPdarknet53
   （2）neck：SPP ，FPN+PAN 
   （3）Head：YOLOv3，在head部分决定网络是检测还是分类。

 

YOLOV5:链接

1. 2020 年 6 月 10 日

2. （1）输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放；
   （2）Backbone：Focus结构，CSP结构；
   （3）Neck：FPN+PAN结构；
   （4）Prediction：GIOU_Loss。