yolo目标检测

yolo对目标检测的最大优势就是快，比FastR-CNN要快，但是准确度不高，尤其是对小目标和多个小目标放在一起的时候，由于网络设置固定数量的bouding box，所以对于多个小目标检测性能不高，yolov1之后不断改进，到目前为止的yolox,性能得到了很大的提升，和yolov1相比，增加了许多的trick,网络结构也发生了改进，yolov1的思想是将一副图像分成S*S个网格，如果其中一个object的中心落在这个网格中，那么这个网格就负责预测这个object。每个网格要预测B个bouding box，每个bounding box不但要预测位置，还要预测一个confidence值，预测C个类别的的分数。yolov1使用的是pascal voc数据集，里面含有20个类别，网络结构如下图所示：

针对yolov1出现的问题，yolov2中引用了anchor，随后的yolo系列做了数据增强，模型也做了改变，在yolov3中引入了残差网络的思想，为了提取更加深层的特征，同时避免梯度消失和梯度爆炸，没有采用最大池化层，而是使用了步长为2的卷积层。在yolov4中对tricks进行了测试，增加了使用技巧，net也做了改变，yolov5的论文还没有出来，旷视团队发布了yolox，yolo的最强版本，特色是将分类和回归耦合在一起。这里只是做了一个简单的介绍，我对yolo系列做了总结，感兴趣的话可以看下面的链接。
YOLO系列论文：
yolov1:You Only Look Once:Unified, Real-Time Object Detection
https://pjreddie.com/darknet/yolo/
yolov2:YOLO9000:Better, Faster, Stronger
yolov3:YOLOv3: An Incremental Improvement
yolov4:YOLOv4: Optimal Speed and Accuracy of Object Detection
https://github.com/AlexeyAB/darknet
yolov5:https://github.com/ultralytics/yolov5
yolox:YOLOX: Exceeding YOLO Series in 2021