m0_38113054的博客

YOLOX的具体改进如下：1、输入端：使用了Mosaic、Mixup、RandomHorizontalFlip以及ColorJitter；2、Backbone：在DarkNet53的基础上添加了SPP模块；3、Neck：是FPN+PAN的结构；4、Head：使用了Decoupled Head、Multi Positives、IoU-Aware分支以及SimOTA；5、训练策略：使用了余弦学习率策略、EMA。

Ultralytics YOLOv8 是由 Ultralytics公司开发的一个前沿的 SOTA 模型。它在以前成功的 YOLO 版本基础上，引入了新的功能和改进，进一步提升了其性能和灵活性。YOLOv8 基于快速、准确和易于使用的设计理念，使其成为广泛的目标检测、图像分割和图像分类任务的绝佳选择。YOLOv8的改进总结如下：提出了具有残差模块的层聚合网络（ELAN-Bottleneck，C2f）更轻量化的Neck（PAN-C2f）

提出了扩展高效的层聚合网络（E-ELAN）基于级联的模型缩放方法基于MP的降维组件卷积重参化YOLOR中的隐式知识结合卷积特征映射和乘法方式无辅助头：同YOLOv5有辅助头：辅助头匹配进行正样本的扩充。

网络架构设计：对于Backbone和Neck，延续了YOLOv4和YOLOv5的PAN架构思想并使用了重参思想进行了改进；关于Head部分，作者Decoupled Head进行了简化并将其命名为Efficient Decouple Head；标签匹配：对TaskAlign、SimOTA、ObjectBox以及ATSS等进行了评估，最终确认TaskAlign更为有效且训练友好；损失函数：损失函数一般包含cls loss、box-regression loss以及object loss。

YOLOv5 是一个基于 Anchor 的单阶段目标检测，其主要分为以下 5 个阶段：1、输入端：Mosaic 数据增强、自适应Anchor计算、自适应图像缩放；2、Backbone：提取出高中低层的特征，使用了 CSP 结构、SPPF、SiLU 等操作；3、Neck：使用 FPN+PAN 结构，将各层次的特征进行融合，并提取出大中小的特征图；4、Head：进行最终检测部分，在特征图上应用 Anchor Box，并生成带有类别概率、类别得分以及目标框的最终输出向量；

输入端改进：Mosaic数据增加主干网络：CSPDarkNet53损失函数：CIOU激活函数：Mish激活函数样本匹配：增加了匹配样本的数量。

YOLOV3的实时性和精确性在当时比较好，广泛应用于工业界YOLOV3在backbone网络结构上应用残差连接思想来解决深度网络的梯度消失问题YOLOV3最显著的改进就是在三个尺度上以相同的方式来进行目标检测，这使得科技检测到不同规模的目标YOLOV3损失函数是将之前的softmax改为logit在最后推理阶段YOLOV3对3个检测层的预测结果进行非最大抑制（NMS）来确定最终的检测结果。