YOLO学习笔记

一、YOLO-V1

针对对FasterR-CNN改进，取消了区域建议，为一阶段目标检测。
1、YOLO-V1网络结构分析：
（1）Backbone:GoogLeNet
（2）Neck:None
（3）Head:YOLO (fc(1570)到77(5*2+20))
2、YOLO-V1输出分析：

全卷积网络输出深度为30（5+5+20，两个预测框，20种分类）。V1为直接对目标中心位置进行预测。
3、Loss函数：

Loss由三部分组成：预测框几何loss+预测框置信度loss+目标分类loss。利用重合度（IOU）完成聚类，判断两个框里的是不是一个目标。
4、存在问题：
其优点是速度快，但与R-CNN系列的检测算法相比，V1的预测框不够准。

二、YOLO-V2：

1、YOLO-V2网络结构分析：
Backbone：darknet19
Neck:None
Head:passthrough (conv到13* 13* anchor* (5+20))

2、基于预测准确度的改进
基于V1版本，分析V1预测准确度不如R-CNN系列的原因：R-CNN为基于anchor预测偏移量。
对于同一数据集的实验：

上图通过实验在V1的基础上加以探索，从而确定V2的框架。V2开始，对于目标的预测皆对目标的偏移量进行预测。

3、基于预测全面性的改进
主要原因为V1仅用了单尺度检测器，改进方法1、将输入图片的尺寸加大；2、Passthrough技术：引入多尺度，用以改善对小目标的检测；3、对于多个尺度图片的训练；4、特征提取结束后的推理时，图片也加大，保证多尺度训练效果。

4、基于特征提取网络的改进
针对检测任务V2训练了Dark-Net19网络，用以取代Google-Net，该网络在每层操作后加bn（batch norm），在标准化后引入非线性操作。
Dark-Net19网络结构组成图：

5、YOLO-V2输出分析
anchor*(5+20)，对于每个框都框预测一个位置、一个分类。
存在问题:
对小目标的检测效果很差

三、YOLO-V3：

1、YOLO-V3网络结构分析：
Backbone：darknet53
Neck：None
Head：YOLOV3（conv1到1313anchor/3*(5+classes)
Conv2到2626anchor/3*(5+classes)
Conv3到5252anchor/3*(5+classes)）
2、基于对于小目标检测问题的改进：
利用多检测头，总三类检测头，分别争对（大/中/小）目标。
3、基于特征提取网络的改进：
从YOLO-V2的darknet19升级到YOLO-V3的darknet53
4、YOLO-V3结构框图：

5、YOLO-V3输出分析：
3输出深度3(5+classes)。三种检测头，每种检测头3各3检测框，每个框预测一个位置、一个种类。

四、YOLO-V4：

1、YOLO-V4网络结构分析
Backbone：CSPDarknet53
Neck：SPP，PAN
Head：YOLO-V3
2、对于特征提取网络的改进：
将YOLO-V3的Darknet53改进成CSPDarknet53。其主要是对于网络中激活函数的替换，使用Mash激活函数：Mish=x * tanh(ln(1+e^x))，其曲线如下图

3、关于Neck层的改进
增添了SPP和PAN模块，其中SPP是为了增大网络的感受野，PAN可以争对不同级别的检测器从不同骨干层中挑选最佳的参数聚合
4、YOLO-V4网络结构图：

（学习 明明老师 YOLO公开课学习笔记，部分内容引自上课内容）