【YOLO 系列】YOLO详细解读（1）：YOLO系列简介

YOLO 系列算法详细解读

一、基本思想

YOLO（You Only Look Once）是一种高效的目标检测算法，其核心思想是将目标检测视为一个回归问题，直接预测边界框和类别概率，而不依赖传统的区域建议方法。

二、YOLO的版本更新与创新点

1. YOLOv1

• 作者: Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi
• 发表年份: 2016
• 论文标题: [[You Only Look Once: Unified, Real-Time Object Detection]](E:\研究生项目\0. 论文：Deep-Learning-Papers-Reading-Roadmap（学习路径）\6. Image Deep Vision(VGG RENET Yolo ViT)\YOLO Unified, Real-Time Object Detection.pdf)
• 论文地址: https://arxiv.org/abs/1506.02640
• 代码仓库: https://github.com/pjreddie/darknet
• 创新点:
  • 首次提出将目标检测任务看作回归问题，用单一的卷积神经网络一次性预测多个目标的类别和边界框。
  • 相较于传统方法（如R-CNN），YOLO大幅提高了检测速度。
• 【YOLO 系列】YOLO详细解读（1）：YOLOv1论文翻译+学习心得

2. **YOLOv2 **

• 作者: Joseph Redmon, Ali Farhadi
• 发表年份: 2017
• 论文标题: YOLO9000: Better, Faster, Stronger
• 论文地址: https://ieeexplore.ieee.org/document/8100173
• 代码仓库: https://github.com/pjreddie/darknet
• 创新点:
  • 引入了 锚框（Anchor Boxes），提升了定位精度。
  • 采用 Batch Normalization，加速收敛。
  • 支持 多尺度训练，增强了模型对不同分辨率图像的适应性。
  • 在数据集COCO、VOC2007上YOLO9000可以检测9000类物体，结合了分类和检测数据。

3. YOLOv3

• 作者: Joseph Redmon, Ali Farhadi
• 发表年份: 2018
• 论文标题: YOLOv3: An Incremental Improvement
• 论文地址: https://arxiv.org/abs/1804.02767
• 代码仓库: https://github.com/pjreddie/darknet
• 创新点:
  • 引入了 特征金字塔（FPN），支持多尺度目标检测。
  • 使用 Logistic 回归 代替 Softmax，用于多标签分类任务。
  • 采用了 Darknet-53，深度更大且性能更优的网络结构。
  • 支持对不同尺寸目标的更好检测，特别是对小目标。

4. YOLOv4

• 作者: Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao
• 发表年份: 2020
• 论文标题: YOLOv4: Optimal Speed and Accuracy of Object Detection
• 论文地址: https://arxiv.org/abs/2004.10934
• 代码仓库: https://github.com/AlexeyAB/darknet
• 创新点:
  • 引入 CSPDarknet53 作为主干网络，优化了计算性能和精度。
  • 使用 Mosaic 数据增强 和 DropBlock 正则化 技术，提升了模型的泛化能力。
  • 加入了 CIoU 损失，创新点了边界框回归的精度。
  • 提高了推理速度，适合在实时场景中使用。

5. YOLOv5

• 作者: Ultralytics (开源社区)
• 发表年份: 2020
• 论文地址: 无正式论文，属于社区维护版本
• 代码仓库: https://github.com/ultralytics/yolov5
• 创新点:
  • 使用PyTorch框架实现，较之前的YOLO版本（基于Darknet）更易于扩展和维护。
  • 提供了更方便的API、训练脚本和丰富的预训练模型。
  • 引入了 AutoAnchor、 Hyperparameter Evolution 和其他训练技巧，提高了模型的性能。
  • 性能优异且非常易于部署，支持多种平台。

6. YOLOv6

• 作者: Meituan（美团）
• 发表年份: 2022
• 论文地址: https://arxiv.org/abs/2209.02976
• 代码仓库: https://github.com/meituan/YOLOv6
• 创新点:
  • 引入了更加轻量化的架构 RepVGG，适合移动设备和嵌入式设备。
  • 增强了 NMS（非极大值抑制） 的效率，使其能够更快地处理大规模数据。

7. YOLOv7

• 作者: Chien-Yao Wang, Alexey Bochkovskiy, Hong-Yuan Mark Liao
• 发表年份: 2022
• 论文标题: YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors
• 论文地址: https://arxiv.org/abs/2207.02696
• 代码仓库: https://github.com/WongKinYiu/yolov7
• 创新点:
  • 引入了更多的优化技巧，如 ELAN（Extended Linear Attention Networks），提高了特征提取能力。
  • 实现了更好的速度-精度平衡，COCO数据集上达新的SOTA。
  • 提供了轻量级和大规模的模型，适合不同的硬件设备和应用场景。

8. YOLOv8

• 作者: Ultralytics (开源社区)
• 发表年份: 2023
• 论文地址: 无正式论文
• 代码仓库: https://github.com/ultralytics/ultralytics
• 创新点:
  • 采用了更加灵活和模块化的架构，便于扩展和集成。
  • 支持 自动优化超参数，进一步提升模型的精度。
  • 内置了大量预训练模型和工具，提供更好的推理、训练、部署体验。

——持续更新，2024.10.16——