YOLO系列演化，各版本区别

YOLO系列输入尺寸和格子选取

yolo	输入	画格子(grid)
yolov1	train:224x224xx3 test:448x448x3	7x7x（(4+1)x2+20）
yolov2	train:224x224xx3X160+448x448x3X10 test:多尺度图片	13x13x5x（(4+1)+20）
yolov3	train:416x416x3 test:多尺度图片	（13x13+26x26+52x52）x3x（(4+1)+80）
yolov4	train:416x416x3 test:多尺度图片	（13x13+26x26+52x52）x3x（(4+1)+80）
yolov5	train:640x640x3 or 1280x1280x3 test:多尺度图片	（20x20+40x40+80x80）x3x（(4+1)+80）
yolov6	同上	同上
yolov7	同上	同上
yolov8	同上	（20x20+40x40+80x80）x（4（x16）+80）

YOLO系列网络层区别

yolo	backbone	neck	head
yolov1	类似于GoogleNet的darknet19		全连接（FC）
yolov2	DarkNet19、加入BN	passthrough layer	1x1卷积
yolov3	DarkNet53、加入了残差	FPN	三个头 卷积
yolov4	CSPDarkNet53	SPP+PAN	同上
yolov5	New CSPDarkNet53（C3）	SPPF+NewCSP-PAN	同上
yolov6	EfficientRep CSP-Block修改为RepBlock	SimSPPF+ 基于Rep和PAN构建了Rep-PAN	解耦头 （分开了目标检测中的边框回归过程、类别分类过程和置信度）
yolov7	加入ELAN模块	SPPCSPC+基于E-ELAN和PAN构建了ELAN-PAN	和yolov5一样，未使用解耦头
yolov8	New CSPDarkNet53（C2F）	SPPF+NewCSP-PAN	解耦头 （分开了目标检测中的边框回归过程和类别分类过程(r融合置信度)）

YOLO系列茅框类型损失和正样本选择策略

yolo	Anchor	Loss(回归、class分类、object分类)	正样本选择（和GTBox进行损失运算的Bbox）
yolov1		MSE	GTBox中心点所在的格子预测出的两个Bbox中IOU较大的为正样本
yolov2	用K-means⽣成5个Anchor Box的尺度	MSE	GTBox中心点所在的格子生成的5个Anchorbox中IOU较大的为正样本，一个GT对应一个AnchorBox
yolov3	用K-means⽣成大中小三种尺寸的3个Anchor Box的尺度	MSE+BCE	所有框Max_IOU(Gtbox,AnchorBox)
yolov4	给定了与yolov3不同的大中小三种尺寸的3个Anchor Box的尺度	BCE+CIOU	所有的的AnchorBox的IOU>阈值
yolov5	AnchorTemp	BCE+CIOU	GTBox中心点所在的格子和离中心点最近的两个格子所产生的AnchorBox的宽高比小于Anchor_t（Anchor_t=4）
yolov6	AnchorPoint	分类损失最终采用VAriFocal Loss，回归用SIOU/GIOU，分类用二元交叉熵	TAL ： ①在各个特征层计算gt与预测框IoU及与分类得分乘积作为score，进行分类检测任务对齐   ②对于每个gt选择top-k个最大的score对应bbox   ③选取bbox所使用anchor的中心落在gt内的为正样本   ④若一个anchor box对应多个gt，则选择gt与预测框IoU最大那个预测框对应anchor负责该gt
yolov7	用K-means⽣成大中小三种尺寸的3个Anchor Box的尺度	回归损失用CIOU, 置信度用交叉熵，分类用二元交叉熵	正样本选择: 1)选出与GT中心点相近的3个graid_cell对应的3个anchor_Temp。anchor_Temper的 宽高在1/4至4之间时能包含整个GT，该anchor_Temper为预选正样本(Bbox)。 OTA算法： 2)动态确认真正需要的正样本数量：计算GT与上述Anchor_Temp的IOU，IOU从大到小排序，前10个IOU的值求和，得到的值就为正样本数量K。 3）取GT_box 与预选正样本的的iou的交叉熵损失 A(pre  置信度 * pre 分类)和GT_box置信度的交叉熵损失B计算cost = B + 3 * A，将每个预选框按照cost从小到大排序，取前K个，该K个Bbox就为最终的正样本 4）如果存在1个Bbox被多个GT选中，选择cost最小的GT。
yolov8	AnchorPoint	分类采用BCE Loss， 回归采用了DFL + CIoU	GTBox框住格子的中心点的Anchor point作为候选，用候选框和GTBox进行IOU，用IOU和置信度计算align_metric（对齐指数），再选取top10，如果有一个Bbox对应多个GTBox，选取IOU最大的

YOLO系列编解码方式、时间和作者

yolo	解码（tbox->Bbox）	发布时间	作者
yolov1	bx=tx+Gx by=ty+Gy bw=tw bh=th	2015\6\8	Joseph Redmon(小马哥)
yolov2	b:Bbox S:sigmod t:偏移 G:Grid A:AnchorBox bx=S(tx)+Gx by=S(ty)+Gy bw=Aw*e^tw bh=Ah*e^th	2016\12\15	Joseph Redmon(小马哥)
yolov3	同上	2018\4\28	Joseph Redmon(小马哥)
yolov4	bx=(2*S(tx)-0.5)+Gx by=(2*S(ty)-0.5)+Gy bw=Aw*e^tw bh=Ah*e^th	2020\4\24	Alexey Bochkovskiy(俄罗斯)
yolov5	bx=(2*S(tx)-0.5)+Gx by=(2*S(ty)-0.5)+Gy bw=Aw*(2*S(tw))^2 bh=Ah*(2*S(th))^2	2020\5\27	Glenn Jocher（没论文、ultralytics团队）
yolov6	bx=(2*S(tx)-0.5)+Gx by=(2*S(ty)-0.5)+Gy bw=Aw*e^tw bh=Ah*e^th	2023\1\13 （论文时间）	‌Chuyi Li（美团）
yolov7	bx=(2*S(tx)-0.5)+Gx by=(2*S(ty)-0.5)+Gy bw=Aw*e^tw bh=Ah*e^th	2022\7\7	Alexey Bochkovskiy(俄罗斯，和yolov4是同一人)
yolov8	bx=(2*S(tx)-0.5)+Gx by=(2*S(ty)-0.5)+Gy bw=Aw*(2*S(tw))^2 bh=Ah*(2*S(th))^2	2023\1\10	Glenn Jocher（没论文、ultralytics团队，和yolov5是同一人）

YOLO系列优势和不足

yolo	优势与不足	问题
yolov1	优势：与二阶段检测算法相比，利用直接回归的方式，大大缩小了计算量，提升了运行速度。 不足：每一个网格仅2个预测框，当存在多物体密集挨着的时候或者小目标的时候，检测效果不好。
yolov2	优势：利用passthrough操作对高低层语义信息进行融合，在一定程度上增强了小目标的检测能力。采用小卷积核替代7x7大卷积核，降低了计算量。同时改进的位置偏移的策略降低了检测目标框的难度。 不足：尚未采用残差网络结构。且当存在多物体密集挨着的时候或者小目标的时候，检测效果有待提升。	1、为什么加⼊了BN层后,就不再需要再使⽤drop out?   答:因为BN层是将每⼀个神经元转换为均值为0偏差为1的数字,所以其⽅差较⼩,⽽ drop out会丢弃⼀部分神经元,导致⽅差过⼤,造成信息丢失,所以不能两者同时使⽤.
yolov3	优势：基本解决了小目标检测的问题，在速度和精度上实现了较好的平衡。	IOU-->GIOU-->DIOU-->CIOU:CIOU在DIOU（面积+中心点的距离）的基础上增加了宽高比 Focal Loss
yolov4	优势：对比v3和v4版本，在COCO数据集上，同样的FPS等于83左右时，Yolov4的AP是43，而Yolov3是33，直接上涨了10个百分点。
yolov5	集大成者	数据增强： 七分数据、三分算法 样本越多，多样性越好，平衡性，模型训练会越好
yolov6	对耗时做了进一步的优化，进一步提升YOLO检测算法性能。
yolov7	参数量和计算量大幅度减少，但性能仍能保持少量的提升。	使用重参数化
yolov8