YOLO系列模型

YOLOv1

首次提出实时目标检测的概念,通过一个神经网络来在一张图像上实现目标定位和分类的任务。

将输入图像分割成SXS网格(论文中S=7),每个网格负责检测该区域内中心点落在此网格内的物体。每个网格需要预测出B个bbox、对应的置信度、属于各个类别的概率(一共是C个类别),论文中B=2,此处的置信度是「有object的概率*预测框和真实框的IOU」,如果此处没有object,这个置信度应该为0,并且类别的概率只针对有object的网格进行预测,没有object则不进行预测,主要体现在loss上。由于训练集中没有object的区域太多,为了让模型更容易学习预测object,此处在loss中增加对于object检测的损失权重,减小没有object的损失权重。对于每一个bbox而言,需要预测四个值------x,y,w,h。为了便于网络训练,这里使用「相对值」,即x,y是相对于网格边缘的距离,w,h为相对于整张图像的大小。

预测的时候,输出的类别概率是「原始训练的类别概率有object的概率 预测框和真实框的IOU」。

实时性好,速度快。

对 小物体和密集物体的检测效果较差。

YOLOv2 (2017)

特点:引入了批处理标准化(Batch Normalization)来提高收敛速度,并使用了高分辨率分类器来帮助检测小物体。

架构:增加了锚点框(anchor boxes)来提高检测精度,同时引入了多尺度训练来增强模型的泛化能力。

优点:检测精度提高,仍然保持了较快的速度。

YOLOv3 (2018)

特点:进一步提高了检测精度,特别是在小物体检测方面有所改进。

架构:采用了类似FPN(Feature Pyramid Network)的设计,通过多尺度特征融合来检测不同大小的物体。

优点:在保持速度的同时,显著提升了检测精度。

YOLOv4 (2020)

特点:集成了许多先进的技术,如CSPNet、Mish激活函数、SPP模块等,旨在最大化检测性能。

架构:使用了改进的骨干网络CSPDarknet53,并加入了注意力机制来增强特征表示。

优点:在准确性和速度之间达到了很好的平衡。

YOLOv5 (2020)

特点:开源版本,易于训练和调整,提供了更多的灵活性。

架构:使用了PyTorch框架,提供了更灵活的模型配置。

优点:代码开源,易于使用和定制,社区支持活跃。

YOLOv6 (2022)

特点:进一步优化了模型架构,专注于提高实时性能。

架构:引入了新的骨干网络和颈部网络设计。

优点:在保持高速的同时,提供了良好的检测精度。

YOLOv7 (2022)

特点:结合了Transformer架构,引入了Efficient Attention机制来提高特征提取能力。

架构:使用了Efficient Channel Attention(ECA)和Spatial Attention(SA)来增强特征表达。

优点:在多种基准测试中表现优异。

YOLOv8 (2023+)

特点:最新的版本,提供了统一的框架来支持多种视觉任务,如目标检测、实例分割等。

架构:继续优化模型设计,简化使用流程。

优点:功能全面,易用性强,适用于多种应用场景。

添加链接描述

11

22

相关推荐
贤小二AI17 小时前
贤小二c#版Yolov5 yolov8 yolov10 yolov11自动标注工具 + 免python环境 GPU一键训练包
人工智能·深度学习·yolo
zy_destiny1 天前
【工业场景】用YOLOv12实现饮料类别识别
人工智能·python·深度学习·yolo·机器学习·计算机视觉·目标跟踪
卧式纯绿1 天前
每日文献(八)——Part one
人工智能·yolo·目标检测·计算机视觉·目标跟踪·cnn
HABuo2 天前
【YOLOv8】YOLOv8改进系列(12)----替换主干网络之StarNet
人工智能·深度学习·yolo·目标检测·计算机视觉
AdaCoding2 天前
YOLOv8架构详解
yolo·网络结构图
云卷云舒___________2 天前
【Ultralytics YOLO COCO 评估脚本 | 获得COCO评价指标】
yolo·coco·ultralytics
plmm烟酒僧3 天前
在 RK3588 多线程推理 YOLO 时,同时开启硬件解码和 RGA 加速的性能分析
yolo·rkmpp·瑞芯微·硬件加速·rga·色彩空间转换
HABuo3 天前
【YOLOv8】YOLOv8改进系列(11)----替换主干网络之MobileNetV4
人工智能·深度学习·yolo·目标检测·计算机视觉
Kai HVZ4 天前
《深度学习》——yolov4详解
人工智能·深度学习·yolo