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
- 2016CVPR 45FPS 448*448 63.4map
YOLOv2:链接
- 2017CVPR
YOLOv3:链接
- 2018CVPR
YOLOv4:链接
-
2020 年 4 月 23 日 在COCO上,可达43.5%AP,速度高达65fps
-
相较于YOLOv3的Darknet53,YOLOv4用了CSPDarknet
-
相较于YOLOv3的FPN,YOLOv4用了SPP+PAN
- CutMix数据增强和马赛克(Mosaic)数据增强
- DropBlock正则化
- (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
-
2020 年 6 月 10 日
-
(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。