YOLO系列（单阶段目标检测）

YOLO V1

大致框架：只用一次就可以检测物体的目标检测。YOLOv1借助了GoogleNet的思想，使用了22层卷积层和两层全连接层来进行目标检测。首先是将整张图片传入给神经网络，借助全局的特征更好的进行目标检测任务。

优点：

YOLO v1将检测视为回归问题，因此处理图像的流程非常简单、直接。
YOLO在训练和测试时能够看到整个图像，因此其在进行预测时会对图像进行全面的推理。
YOLO并没有像SSD和Faster R-CNN那样，选择VGGNet或者其他经典的CNN模型作为基础网络。YOLO使用基于GoogLeNet架构的自定义网络DarkNet作为基础网络。DarkNet比VGG16的运行速度快，这也使YOLO的运行速度得到了提升。

（该网络是当时速度最快的网络，速度达到了实时的级别）

（将目标检测问题视为回归问题，简单直接且速度快）

缺点

与两阶段目标检测系统相比，YOLO产生了更多的定位误差且在精度上落后（对小目标的检测效果尤其差）。同时，YOLO对边界框预测施加了空间约束（因为每个网格单元只预测两个边界框，并且只能有一个类别）。这个空间约束限制了YOLO可以预测的邻近目标的数量，因此，使用YOLO对鸟群、人群和车队进行预测的效果并不理想。

（精度对比最好的两阶段目标检测算法较差，因为是预测的边界框大小，所以边界框的精准度较差。）

YOLO V2

大致框架：YOLOv2首先是将YOLOv1的backbone更换成DarkNet19，其次使用了BN层、更大分辨率的输入、给预测边界框做了一系列的尝试、使用基于anchor的聚类方法、使用了细粒度特征进行特征融合、以及多尺度输入的方式来对模型进行了优化。首先将输入传给DarkNet19来进行特征的提取，去掉DarkNet19的全连接层，然后将提取后的特征继续使用两个卷积层进行提取，然后将提取后的特征与pooling4之前的那个26*26的特征图通过passthrough layer 进行特征融合。然后再传入进网络进行特征提取。最后使用一个Conv2D进行目标预测。

优点：在 v1 的基础上改进，精度和速度都有所增加，使用了直接位置预测，对预测的偏移量进行 sigmoid 限制，防止它移动出该网格，导致计算错误，

缺点：它的全局信息和局部信息融合太少，对于小目标的检测精度较差

YOLO v3

大致框架：利用了darknet53架构，进行了特征融合，融合了三次，分别在深层，中层和底层，预测大物体，中物体和小物体，使得预测结果更加的精细，在最后损失函数的时候使用的是逻辑分类而不是softmax分类，因为softmax具有局限性，只能预测一次，而逻辑分类可以多次预测，例如：既能预测出人也能预测出是女人。没有池化层，利用卷积层进行特征图的减小，使得网络更加的准确。

优点：1.YOLO v3在整体结构上有较大的改动，其中较为重大的是使用多个独立的逻辑分类器代替softmax函数，以及使用类似FPN的方法进行多尺寸预测。

（网络的精度和速度较好，使用多预测输出，使用了 v2 相同的直接位置预测，限制偏移量）

缺点：YOLO v3为了提升精度，在速度上进行了一定的舍弃。速度的下降与基础网络DarkNet的复杂度的提高直接相关。

（虽然对小物体预测较好，但是对大物体预测较差。）

YOLO V4

大致框架：主干网络采用CSPDarkNet53

为了增加感受野，采用SPP思想

采用PANet中的路径聚合模块

仍采用YOLO V3的head部分

优点：增强CNN的学习能力，使得在轻量化的同时保持准确性。

降低计算瓶颈

降低内存成本

缺点：

YOLO V5

Yolov5官方代码中，给出的目标检测网络中一共有4个版本，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。

大致框架：设计了两种csp结构，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中

(1) 输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放

(2) Backbone : Focus结构、CPS结构

(3) Neck : FPN + PAN结构

(4) Prediction : GIOU_LOSS

优点：网络最小，速度最少，AP精度也最低。

缺点：增加计算量

算法性能图

Yolov5s网络最小，速度最少，AP精度也最低。但如果检测的以大目标为主，追求速度，倒也是个不错的选择。

其他的三种网络，在此基础上，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。