OpenCV与AI深度学习 | 一文带你读懂YOLOv1~YOLOv11(建议收藏！)

最新推荐文章于 2025-10-13 15:35:46 发布

原创最新推荐文章于 2025-10-13 15:35:46 发布 · 1.3k 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #深度学习 #YOLO #计算机视觉 #opencv #python #目标检测

深度学习拓展阅读同时被 2 个专栏收录

989 篇文章

订阅专栏

CV-目标检测专栏

145 篇文章

订阅专栏

本文来源公众号“OpenCV与AI深度学习”，仅用于学术分享，侵权删，干货满满。

原文链接：一文带你读懂YOLOv1~YOLOv11

可以和之前的文章江大白 | 目标检测YOLOv1-YOLO11，算法进化全记录（建议收藏！）_yolov5 江大白-优快云博客结合来看。

YOLO （You Only Look Once） 是一系列实时对象检测机器学习算法。对象检测是一项计算机视觉任务，它使用神经网络对图像中的对象进行定位和分类。这项任务的应用范围很广，从医学成像到自动驾驶汽车。多种机器学习算法用于对象检测，其中一种是卷积神经网络（CNN）。

CNN 是任何 YOLO 模型的基础，研究人员和工程师使用这些模型执行对象检测和分割等任务。YOLO 模型是开源的，它们在该领域得到了广泛的应用。这些模型从一个版本到另一个版本都在改进，从而提高了准确性、性能和附加功能。本文将探讨整个 YOLO 家族，我们将从原始到最新开始，探索它们的架构、用例和演示。

YOLOv1

在引入 YOLO 对象检测之前，研究人员使用了基于卷积神经网络（CNN）的方法，如 R-CNN 和 Fast R-CNN。这些方法使用两步过程来预测边界框，然后使用回归对这些框中的对象进行分类。这种方法速度缓慢且占用大量资源，但 YOLO 模型彻底改变了对象检测。当 Joseph Redmon 和 Ali Farhadi 于 2016 年开发第一个 YOLO 时，它通过新的增强架构克服了传统对象检测算法的大部分问题。

最初的 YOLO 架构由 24 个卷积层和 2 个完全连接的层组成，其灵感来自用于图像分类的 GoogLeNet 模型。YOLOv1 方法在当时是第一个。

网络的初始卷积层从图像中提取特征，而全连接层预测输出概率和坐标。这意味着边界框和分类都在一个步骤中进行。这个一步式流程简化了操作并实现了实时效率。此外，YOLO 体系结构还使用了以下优化技术。

- Leaky ReLU 激活：Leaky ReLU 有助于防止“垂死的 ReLU”问题，即神经元在训练过程中可能会卡在不活跃的状态。
- Dropout 正则化：YOLOv1 在第一个全连接层之后应用 dropout 正则化，以防止过拟合。
- 数据增强

如何工作的？

YOLO 模型的本质是将对象检测视为回归问题。YOLO 方法是将单个卷积神经网络（CNN）应用于完整图像。此网络将图像划分为多个区域，并预测每个区域的边界框和概率。

这些边界框由预测概率加权。然后，可以对这些权重进行阈值处理，以仅显示高分检测。

YOLOv1 将输入图像划分为一个网格（SxS），每个网格单元负责预测其内部对象的边界框和类概率。每个边界框预测都包含一个置信度分数，指示框中存在对象的可能性。研究人员使用交并比（IOU）等技术计算置信度分数，该技术可用于筛选预测。尽管 YOLO 方法新颖且速度很快，但它面临一些限制，如下所示。

- 泛化：YOLOv1 难以检测在训练中无法准确看到的新对象。
- 空间约束：在 YOLOv1 中，每个网格单元格只能预测两个框，并且只能有一个类，这使得它难以处理成群出现的小对象，例如鸟群。
- 损失函数限制：YOLOv1 损失函数在小边界框和大边界框中处理错误的方式相同。大框中的小错误通常是可以的，但小错误对 IOU 的影响要大得多。
- 定位错误：YOLOv1 的一个主要问题是准确性，它经常错误地定位对象在图像中的位置。

现在我们已经介绍了 YOLO 的基本机制，让我们看看研究人员如何在下一个版本中升级此模型的功能。

YOLOv2

YOLO9000在 YOLOv1 发布一年后推出，以解决当时对象检测数据集的局限性。YOLO9000之所以这样命名，是因为它可以检测 9000 多个不同的对象类别。这在准确性和泛化性方面具有变革性。

YOLO9000 背后的研究人员提出了一种独特的联合训练算法，该算法可以根据检测和分类数据训练对象检测器。这种方法利用标记的检测图像来学习精确定位对象，并使用分类图像来增加其词汇量和鲁棒性。

通过组合来自不同数据集的特征进行分类和检测，YOLO9000 显示出比其前身 YOLOv1 有很大的改进。YOLO9000 被宣布为更好、更强、更快。

- 分层分类：YOLO9000 中使用的一种基于 WordTree 结构的方法，允许增加对看不见对象的泛化，并增加对象的词汇量或范围。
- 架构变化：YOLO9000引入了一些变化，例如使用批量规范化来加快训练和稳定性、使用锚框或滑动窗口方法，并使用 Darknet-19 作为主干。Darknet-19 是一个具有 19 层的 CNN，旨在准确和快速。
- 联合训练：一种算法，允许模型利用分层分类框架并从分类和检测数据集（如 COCO 和 ImageNet）中学习。

不过，YOLO 系列继续改进，接下来我们来看看 YOLOv3。

YOLOv3

几年后，YOLO 背后的研究人员提出了下一个版本 YOLOv3。虽然 YOLO9000 是一种最先进的模型，但对象检测通常有其局限性。提高准确性和速度始终是对象检测模型的目标之一，这也是 YOLOv3 的目标，在这里和那里进行少量调整，我们就会得到性能更好的模型。

改进从边界框开始，虽然它仍然使用滑动窗口方法，但 YOLOv3 有一些增强。YOLOv3 引入了多尺度预测，它可以在三种不同尺度上预测边界框。这意味着可以更有效地检测不同大小的物体。除其他改进外，这让 YOLO 重新回到了最先进模型的地图上，并在速度和准确性之间进行了权衡。

如图所示，YOLOv3 使用平均精度均值（mAP-50）指标提供了最佳的速度和准确性之一。此外，YOLOv3 还引入了其他改进，如下所示。

- 骨干网：YOLOv3 使用更好、更大的 CNN 骨干网，即 Darknet-53，它由 53 层组成，是 Darknet-19 和深度学习残差网络（Resnets）之间的混合方法，但比 ResNet-101 或 ResNet-152 更高效。
- 跨尺度预测：YOLOv3 预测三种不同尺度的边界框，类似于特征金字塔网络。这使模型能够更有效地检测各种大小的对象。
- 分类器：使用独立的 Logistic 分类器代替 softmax 函数，允许每个盒子有多个标签。
- 数据集：研究人员仅在 COCO 数据集上训练 YOLOv3。

此外，虽然不太重要，但 YOLOv3 修复了 YOLOv2 中的一个小数据加载错误，这帮助了大约 2 mAP 点。接下来，让我们看看 YOLO 模型是如何演变成 YOLOv4 的。

YOLOv4

延续 YOLO 系列的传统，YOLOv4 引入了多项改进和优化。让我们更深入地了解 YOLOv4 机制。

结构

最显着的变化是 3 部分架构，虽然 YOLOv4 仍然是一个单阶段的目标检测网络，但架构涉及 3 个主要组件，即 backbone、head 和 neck。这种架构拆分是 YOLO 发展过程中非常重要的一步。在 YOLO 中，backbone、head 和 neck 都有自己的功能。

主干是特征提取部分，通常是跨层学习特征的 CNN。然后，neck 对从 backbone 的不同级别提取的特征进行细化和组合，从而创建丰富且信息丰富的特征表示。最后，head 执行实际预测，并输出边界框、类概率和对象性分数。

对于 YOLOv4，研究人员将以下组件用于 backbone、neck 和 head。

- 主干网：CSPDarknet53 是一个卷积神经网络和对象检测主干网，它使用使用跨阶段部分网络（CSPNet）策略的 DarkNet-53。
- Neck：修改后的空间金字塔池化（SPP）和路径聚合网络（PAN）用于 YOLOv4，从而产生更精细的特征提取、更好的训练和更好的性能。
- 头部：YOLOv4 采用 YOLOv3 的（基于锚点的）架构作为 YOLOv4 的头部。

这并不是 YOLOv4 引入的全部，在优化和选择正确的方法和技术方面还有很多工作，让我们接下来探索这些。

优化

正如研究人员在论文中介绍的那样，YOLOv4 模型带有两袋方法：免费赠品袋（BoF）和特价袋（BoS）。这些方法对 YOLOv4 的性能很有帮助，在本节中，我们将探讨研究人员使用的重要方法。

- 马赛克数据增强：这种数据增强方法将 4 张训练图像合二为一，使模型能够学习在更广泛的上下文中检测对象，并减少对大小批量的需求。研究人员将其用作骨干训练的 BoF 的一部分。
- 自我对抗训练（SAT）：一种两阶段数据增强技术，其中网络欺骗自己并修改输入图像以认为没有对象。然后，它在这个修改后的图像上进行训练，以提高稳健性和泛化性。研究人员将其用作检测器或网络头的 BoF 的一部分。
- 跨小批量归一化（CmBN）：交叉迭代批量归一化（CBN）的修改版，使训练更适合单个 GPU。研究人员用作探测器 BoF 的一部分。
- 改进的空间注意力模块（SAM）：研究人员将原始 SAM 从空间注意力修改为点注意力，增强了模型在不增加计算成本的情况下专注于重要特征的能力。用作 BoS 的一部分，作为网络检测器的附加块。

然而，这还不是全部，YOLOv4 在 BoS 和 BoF 中使用了许多其他技术，例如作为 BoS 一部分的骨干网的 Mish 激活和跨级部分连接（CSP）。所有这些优化修改为 YOLOv4 带来了最先进的性能，尤其是在速度和准确性方面。

YOLOv5

虽然 YOLOv5 没有附带专门的研究论文，但该模型给所有开发人员、工程师和研究人员留下了深刻的印象。YOLOv5 在 YOLOv4 之后几个月推出，没有太大的改进，但速度略快。Ultralytics 设计的 YOLOv5 更易于实现，并且具有多种语言支持的更详细的文档，最值得注意的是 YOLOv5 基于 Pytorch 构建，使其易于开发人员使用。

与此同时，它的前辈稍微难以实现。Ultralytics 宣布 YOLOv5 为世界上最受欢迎的视觉 AI，此外，YOLOv5 还具有一些很棒的功能，例如用于模型导出的不同格式、用于使用您自己的数据进行训练的训练脚本，以及多种训练技巧，如测试时增强（TTA）和模型集成。

易用性、持续更新、庞大的社区和良好的文档使 YOLOv5 成为完美的紧凑型模型，它可以在轻量级硬件上运行，并且几乎实时地提供不错的准确性。YOLO 模型在 YOLOv5 到 YOLOv6 之后继续发展，让我们在下一节中探讨一下。

YOLOv6

YOLOv6 是 YOLO 系列中的一次重大演变，它引入了一些关键的架构和训练变化，以实现速度和准确性之间的更好平衡。值得注意的是，YOLOv6 以专注于工业应用而著称。这种工业重点提供了部署就绪型网络，并更好地考虑了实际环境的约束。

在速度和准确性之间取得平衡，它可以在常用硬件上运行，例如 Tesla T4 GPU，这使得在工业环境中部署对象检测比以往任何时候都更容易。YOLOv6 并不是当时唯一可用的模型，还有 YOLOv5、YOLOX 和 YOLOv7 都是高效探测器部署的竞争候选者。现在，让我们讨论一下 YOLOv6 引入的变化。

- Backbone：研究人员使用 EfficientRep 构建主干，EfficientRep 是一种硬件感知型 CNN，具有用于小型模型（N 和 S）的 RepBlock，以及用于大型模型（M 和 L）的 CSPStackRep Block。
- Neck：使用 Rep-PAN 拓扑，使用 RepBlock 或 CSPStackRep 块增强 YOLOv4 和 YOLOv5 中修改后的 PAN 拓扑。这提供了来自主干网不同级别的更高效的特征聚合。
- Head：YOLOv6 引入了 Efficient Decoupled Head，简化了设计以提高效率。它采用混合通道策略，减少了中间 3×3 卷积层的数量，并与 backbone 和 neck 一起缩放宽度。

YOLOv6 还整合了其他几种技术来提高性能。

- 标签分配：利用任务对齐学习（TAL）来解决分类和框回归任务之间的错位。
- Self-Distillation：它将 Self-Distillation 应用于分类和回归任务，进一步提高了准确性。
- 损失函数：它使用 VariFocal Loss 进行分类，并结合使用 SIoU 和 GIoU Loss 进行回归。

YOLOv6 代表了一种经过改进和增强的对象检测方法，它建立在其前辈的优势之上，同时引入了创新的解决方案来应对实际部署的挑战。它专注于效率、准确性和工业适用性，使其成为工业应用的宝贵工具。

YOLOv7

虽然从技术上讲，YOLOv6 是在 YOLOv7 之前引入的，但 YOLOv6 的生产版本是在 YOLOv7 之后推出的，并在性能上超越了它。然而，YOLOv7 引入了一个新颖的概念，称其为可训练的免费赠品袋（BoF）。这包括一系列细粒度的改进，而不是彻底的改革。

这些改进主要集中在优化训练过程和增强模型学习有效表示的能力，而不会显著增加计算成本。以下是 YOLOv7 引入的一些主要功能。

- 模型重新参数化：YOLOv7 提出了一个有计划的重新参数化模型，这是一种适用于不同网络中的层的策略，具有梯度传播路径的概念。
- 动态标签分配：使用多个输出层训练模型会带来一个新问题：“如何为不同分支的输出分配动态目标？为了解决这个问题，YOLOv7 引入了一种新的标签分配方法，称为粗到细铅引导标签分配。
- 扩展和复合缩放：YOLOv7 为对象检测器提出了“扩展”和“复合缩放”方法，可以有效地利用参数和计算。

YOLOv7 专注于精细的细化和优化策略，以增强实时对象检测器的性能。它强调可训练的免费赠品袋、深度监督和架构改进，从而在不牺牲速度的情况下显着提高准确性，使其成为 YOLO 系列中的宝贵进步。然而，进化继续产生 YOLOv8，这是我们接下来的主题。

YOLOv8

YOLOv8 是 YOLO 系列实时对象检测器的迭代版本，在准确性和速度方面提供尖端性能。但是，YOLOv8 没有官方论文，但与 YOLOv5 类似，这是一个用户友好的增强型 YOLO 对象检测模型。YOLOv8 由 Ultralytics 开发，引入了新功能和优化，使其成为各种应用中各种对象检测任务的理想选择。以下是其功能的快速概述。

- 高级 Backbone 和 Neck 架构
- 无锚分体式 Ultralytics 头：YOLOv8 采用无锚分体式 Ultralytics 头，与基于锚的方法相比，这有助于提高准确性和更高效的检测过程。
- 优化的准确性-速度权衡

除此之外，YOLOv8 还是 Ultralytics 维护良好的模型，提供了多种模型，每个模型都专门用于计算机视觉中的特定任务，如检测、分割、分类和姿势检测。由于 YOLOv8 通过 Ultralytics 库易于使用，让我们在演示中尝试一下。

YOLOv8 模型在各种基准测试数据集中实现了 SOTA 性能。例如， YOLOv8n 模型在 COCO 数据集上实现了 37.3 的 mAP （平均精度均值），在 A100 TensorRT 上实现了 0.99 毫秒的速度。接下来，让我们看看 YOLO 家族是如何通过 YOLOv9 进一步演变的。

YOLOv9

与其前辈相比，YOLOv9 采用了不同的方法，直接解决了深度神经网络中的信息丢失问题。它引入了可编程梯度信息（PGI）的概念和一种称为广义高效层聚合网络（GELAN）的新架构，以应对信息瓶颈并确保训练期间可靠的梯度流。

研究人员之所以引入 YOLOv9，是因为现有的方法忽略了这样一个事实，即当输入数据进行逐层特征提取和空间变换时，会丢失大量信息。这种信息丢失会导致梯度不可靠，并阻碍模型学习准确表示的能力。

YOLOv9 引入了 PGI，这是一种通过使用辅助可逆分支生成可靠梯度的新方法。此辅助分支为计算目标函数提供了完整的输入信息，从而确保用于更新网络权重的梯度信息量更大。辅助分支的可逆性质确保在前馈过程中不会丢失任何信息。

YOLOv9 还提出了 GELAN 作为一种新的轻量级架构，旨在最大化信息流并促进获取相关信息以进行预测。GELAN 是 ELAN 架构的通用版本，利用任何计算块，同时保持效率和性能。研究人员基于梯度路径规划设计了它，确保了通过网络的高效信息流。

YOLOv9 通过关注信息流和梯度质量，为对象检测提供了全新的视角。PGI 和 GELAN 的推出使 YOLOv9 有别于其前身。这种对深度神经网络中信息处理基础知识的关注可以提高性能，并更好地解释对象检测中学习过程。

YOLOv10

YOLOv10 的推出对于实时端到端对象检测具有革命性意义。YOLOv10 超越了之前的所有速度和精度基准，实现了真正的实时对象检测。YOLOv10 无需使用 NMS 检测进行非极大值抑制（NMS）后处理。

这不仅提高了推理速度，还简化了部署过程。YOLOv10 引入了一些关键功能，例如无 NMS 培训和整体设计方法，使其在所有指标上都表现出色。

- 无 NMS 检测：YOLOv10 提供了一种基于一致双重分配的新颖无 NMS 训练策略。它采用双标签分配（一对多和一对一）和一致的匹配指标，在训练期间提供丰富的监督，同时在推理过程中消除 NMS。在推理过程中，仅使用 1 对 1 头，从而实现无 NMS 检测。
- 整体效率-精度驱动设计：YOLOv10 采用整体方法进行模型设计，优化各种组件以提高效率和准确性。它引入了轻量级分类头、空间通道解耦下采样和秩导向块设计，以降低计算成本。

YOLO11：体系结构增强功能

YOLO11 于 2024 年 9 月发布。它经历了一系列架构改进，并专注于在不牺牲准确性的情况下提高计算效率。

它引入了 C3k2 块和 C2PSA 块等新型组件，有助于改进特征提取和处理。这会导致性能略好，但模型的参数要少得多。以下是 YOLO11 的主要功能。

- C3k2 模块：YOLO11 引入了 C3k2 模块，这是一种跨阶段部分（CSP）瓶颈的计算高效实现。它取代了 backbone 和 neck 中的 C2f 块，并采用两个较小的卷积而不是一个大型卷积，从而减少了处理时间。
- C2PSA 模块：在 Spatial Pyramid Pooling – Fast （SPPF）模块之后引入跨阶段部分空间注意力（C2PSA）模块，以增强空间注意力。这种注意力机制使模型能够更有效地关注图像中的重要区域，从而有可能提高检测准确性。

有了这个，我们讨论了整个 YOLO 系列的对象检测模型。但有一件事告诉我，进化不会就此止步，创新将继续，我们将在未来看到更好的表现。