从V1-V5
深入解析YOLO系列模型
yolo相对于R_CNN系列论文，创新之处在于不再需要候选区域，直接端到端，利用回归的思想，直接回归出边框和类别，大大加快了速度，同时精度也挺高。
YOLO v1
主要思想
1、将图片划分为s×s的网格，待检测的目标中心点位于哪个网格中，就由哪个网格来负责检测他，论文中每个网格设定了2个框，也就是让2个框来同时拟合一个目标框，所以当网格中存在目标时，那么该网格中的预测框的目标值即为这个目标框的值（对比R_CNN系列论文，他们都是通过预测框与目标框的IOU来设定预测框的目标值）；
2、所有的预测框由网络直接传播获得，每个网格预测5个框，每个框用5个预测值来表示，分别（x,y,w,h）和得分， x和ｙ代 表 区域的中心点对于cell左上角 的偏移量，ｗ 和h代表区域相对于全图的宽和高，它们都介于０ – １之间。得分反映了区域内包含 一 个目标的置信度和预测区域的精确度。
IOU表示预测框与真实框的交并比，如果网格中有目标，Pr就等于1，否则为0，
实际这个公式是为了求训练时得分的目标值，修正网络预测的得分值；
3、每个网格无论有多少个框，都值预测一个类别值（与yolo v2不同，v2中每个anchorbox预测一组类别值），所以正向传播预测结果为s×s×（5×2+20）
YOLO v2
总体思路与一代相同，这里只说一下改进之处
1、联合训练算法
利用分类图像来学习分类，利用检测图像来学习定位
2、引入anchor box
相比较于一代yolo，一代yolo直接回归坐标，难度很大，引入anchor box，有了基准坐标，相对来说，预测难度降低；
但注意与faster R_CNN的区别，因为faster R_CNN是在feature map上，拿着anchor box进行滑动窗口的，实际就相当于一个框一个框的进行分类和回归，所以自然很容易检测到所有目标，但是yolo的类别和坐标都由回归产生，难度比faster-R-CNN要大：
（1）先验框的设置很重要。所以利用k-means来聚类，得到先验框的数量和大小（k=5），这样先验框更可靠
（2）直接预测相对于anchor box的偏移量，导致模型不稳定。所以不再预测偏移，而是预测相对于网格左上角的坐标
（3）如下，tx，ty，tw，th为网络预测值，所以在测试时，需要进一步计算获得预测边框，将相对于网格左上角坐标（tx，ty）转化为相对于图片左上角的坐标，宽度和高度需要依据anchor box的尺寸pw和ph来计算求得，具体公式如下，计算得到bx，by，bw，bh之后，在对他们进行过NMS。
（3）引入anchor box之后，每一个anchor box都需要进行单独的类别预测（一代中每个cell只预测一个类别），例如数据集类别为80类，那么每个anchor box需要预测一个85维的向量，如果每个cell有5个anchor box，网格为19×19，网络预测输出为：19×19×5×85.。
YOLO V3
相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。卷积层、批量归一化层以及Leaky ReLU共同组成Darknet-53中的基本卷积单元DBL。因为在Darknet-53中共包含53个这样的DBL，所以称其为Darknet-53。
yolo-v3在类别预测方面将yolo-v2的单标签分类改进为多标签分类，在网络结构中将yolo-v2中用于分类的softmax层修改为逻辑分类器。在yolo-v2中，算法认定一个目标只从属于一个类别，根据网络输出类别的得分最大值，将其归为某一类。然而在一些复杂的场景中，单一目标可能从属于多个类别。
比如在一个交通场景中，某目标的种类既属于汽车也属于卡车，如果用softmax进行分类，softmax会假设这个目标只属于一个类别，这个目标只会被认定为汽车或卡车，这种分类方法就称为单标签分类。如果网络输出认定这个目标既是汽车也是卡车，这就被称为多标签分类。
为实现多标签分类就需要用逻辑分类器来对每个类别都进行二分类。逻辑分类器主要用到了sigmoid函数，它可以把输出约束在0到1，如果某一特征图的输出经过该函数处理后的值大于设定阈值，那么就认定该目标框所对应的目标属于该类。
v3和v4两个版本的作者发生了变化。当时前三个版本的作者redmon在推特上发表了一个声明：大致是说因为yolo-v3已经被用在一些军事上，这是他不想看到的，因此他表示退出CV界。这也从侧面反映了yolo-v3性能的强大。2020年，Alexey Bochkovskiy等人接手了yolo系列，yolo-v4油然而生。
YOLOV4
yolo-v4对深度学习中一些常用Tricks进行了大量的测试，最终选择了这些有用的Tricks：WRC、CSP、CmBN、SAT、 Mish activation、Mosaic data augmentation、CmBN、DropBlock regularization 和 CIoU loss。
Yolov4的结构图和Yolov3相比，因为多了CSP结构，PAN结构，如果单纯看可视化流程图，会觉得很绕，但是在绘制出上面的图形后，会觉得豁然开朗，其实整体架构和Yolov3是相同的，不过使用各种新的算法思想对各个子结构都进行了改进。
先整理下Yolov4的五个基本组件：
-
CBM：Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。
-
CBL：由Conv+Bn+Leaky_relu激活函数三者组成。
-
Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
-
CSPX：借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concat组成。
-
SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。
YOLOv5
上图即YOLOv5的网络结构图，可以看出其分为输入端、Backbone、Neck、Prediction四个部分。
Backbone：主干网络，其大多时候指的是提取特征的网络。主干网络的作用就是提取图片中的信息，供后面的网络使用。经常使用的网络是resnet、VGG等（非自己设计），这些网络在分类等问题上的特征提取能力很强。
neck:其作用是更好地融合/提取backbone给出的feature，从而提高网络的性能。
基本组件：
CBL：由Conv+Bn+Leaky_relu激活函数三者组成。
Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
CSPX：借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concate组成。
SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。
其他基础操作：
Concat：张量拼接，会扩充两个张量的维度，例如2626256和2626512两个张量拼接，结果是2626768。
add：张量相加，张量直接相加，不会扩充维度，例如104104128和104104128相加，结果还是104104128。
YOLOv5s网络最小，速度最快，AP精度也最低。若检测的以大目标为主，追求速度，是个不错的选择。其他的三种网络，在YOLOv5基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。
YOLOv4 与YOLOv5 在结构上基本相似，只是在细节上稍有差异。
（1） 增加 Focus 结构
Focus 结构的核心是对图片进行切片操作。以一个的简单的 3 x4 x4 输入图片为例。对于红色的区域，不论宽还是高，都从 0 开始，每隔两个步长取值；黄色的区域，不论宽还是高，都从 1 开始，每隔两个步长取值；依次类推，对三个通道都采取这样的切片操作。最后将所有的切片，按照通道 concat 在一起，得到一个12×2 x2的特征图。 YOLOv5s 以 3 x608 x608 的图片作为输入，经过切片操作后，变成12 x304x304的特征图，最后使用 32 个卷积核进行一次卷积，变成32 x304 x304 的特征图。
（2） CSP 结构
YOLOv4 中仅在 Backbone 中使用了 CSP 结构，而 YOLOv5 中在 Backbone 和 Neck中使用了两种不同的 CSP。
在 Backbone 中，使用带有残差结构的 CSP1_X，因为 Backbone 网络较深，残差结构的加入使得层和层之间进行反向传播时，梯度值得到增强，有效防止网络加深时所引起的梯度消失，得到的特征粒度更细。
在 Neck 中使用 CSP2_X，相对于单纯的 CBL 将主干网络的输出分成了两个分支，后将其 concat，使网络对特征的融合能力得到加强，保留了更丰富的特征信息。
YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x 按照其所含的残差结构的个数依次增多，网络的特征提取、融合能力不断加强，检测精度得到提高，但相应的时间花费也在增加。
Original: https://blog.csdn.net/m0_60673947/article/details/125152051
Author: 极链AI云
Title: 【模型解析】从V1-V5深入解析YOLO系列模型
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/682295/
转载文章受原作者版权保护。转载请注明原作者出处！