1.yolo曆史
- YOLOv1：2015年Joseph Redmon和 Ali Farhadi等 人（華盛頓大學）
- YOLOv2：2016年Joseph Redmon和**Ali Farhadi等人*（華盛頓大學）*
- YOLOv3：2018年Joseph Redmon和**Ali Farhadi等人*（華盛頓大學）*
- YOLOv4：2020年Alexey Bochkovskiy和Chien-Yao Wang等人
- YOLOv5：2020年Ultralytics公司
- YOLOv6：2022年美團公司
- YOLOv7：2022年Alexey Bochkovskiy和Chien-Yao Wang等人
- YOLOv8：2023年Ultralytics公司
2.改進過程
2.1 yolov3
| yolov3 改進 | |
| backbone | darknet-19改進為darknet-53 |
| 多尺度預測 | |
參考：目标檢測算法——YOLOv3_Clichong的部落格-CSDN部落格_yolov3算法
2.2 yolov4
| yolov4 | |
| Backbone | CSPDarknet53 |
| Neck | SPP, PAN |
| Head | yolov3 |
Cross Stage Partial（CSP）結構，其初衷是減少計算量并且增強梯度的表現。主要思想是：在輸入block之前，将輸入分為兩個部分，其中一部分通過block進行計算，另一部分直接通過一個shortcut進行concatenate。(實際很多地方直接用1×1卷積調整通道，而不是均分)
參考：
YOLOv4網絡詳解_yolov4網絡結構圖_太陽花的小綠豆的部落格-CSDN部落格
【目标檢測】YOLOv4特征提取網絡——CSPDarkNet結構解析及PyTorch實作_Cai Yichao的部落格-CSDN部落格_yolov4中的csp
2.3 yolov5
| yolov5 | |
| Backbone | New CSP-Darknet53 |
| Neck | SPPF, New CSP-PAN |
| Head | yolov3 |
| loss 函數 | 分類: BEC Loss 回歸: CIoU Loss |
- 通過對比可以發現，兩者的計算結果是一模一樣的，但SPPF比SPP計算速度快了不止兩倍，快樂翻倍。
- 在Neck部分另外一個不同點就是New CSP-PAN了，在YOLOv4中，Neck的PAN結構是沒有引入CSP結構的，但在YOLOv5中作者在PAN結構中加入了CSP。詳情見上面的網絡結構圖，每個C3子產品裡都含有CSP結構。在Head部分，YOLOv3, v4, v5都是一樣的。
參考：YOLOv5網絡詳解_yolov5網絡結構詳解_太陽花的小綠豆的部落格-CSDN部落格
2.4 yolov6
| yolov6 | |
| Backbone | RepVGG Block, RepBlock |
| Neck | RepBlock |
| Head | YOLOX改進 |
| Anchor | Anchor-Free |
- 不難發現，Block中都由“Rep”的字樣，這也是YOLO_v6的重點——RepVGG style結構。
- RepPANNeck: 其實就是将CSP-PAN中的CSP子產品換成了Rep子產品，形成了Rep-PAN罷了，這裡不作贅述。
- Head: 原始 YOLOv5 的檢測頭是通過分類和回歸分支融合共享的方式來實作的，而 YOLOX 的檢測頭則是将分類和回歸分支進行解耦，同時新增了兩個額外的 3x3 的卷積層，雖然提升了檢測精度，但一定程度上增加了網絡延時。
YOLOv5/YOLOX 使用的 Backbone 和 Neck 都基于 CSPNet 搭建，采用了多分支的方式和殘差結構。對于 GPU 等硬體來說，這種結構會一定程度上增加延時，同時減小記憶體帶寬使用率。是以，YOLOv6對Backbone 和 Neck 都進行了重新設計，Head層沿用了YOLO_x中的Decoupled Head并稍作修改。相當于YOLO_v5而言，v6對網絡模型結構進行了大量的更改。
除了網絡結構上的改進，作者還對訓練政策進行了改進，應用了Anchor-free 無錨範式、SimOTA标簽配置設定政策、SIOU邊界框回歸損失。
整個head借鑒了yolox中的解耦頭設計，并對其做了改進，head流程如下：從neck層輸出三個分支，對于每個分支，先對輸出fm通過BConv層，做fm的特征融合後，分成兩個分支一個分支通過BConv+Conv完成分類任務的預測，另外一個分支先通過BConv融合特征後再分成兩個分支，一個分支通過Conv完成邊框的回歸，一個分支通過Conv完成前後背景的分類，至此三個分支再通過concate在channel層上融合，輸出未經後處理的預測結果。
參考：YOLO_v6講解_yolov6_江南綿雨的部落格-CSDN部落格
2.5 yolov7
整體上和YOLOV5是相似的，主要是網絡結構的内部元件的更換（涉及一些新的sota的設計思想）、輔助訓練頭、标簽配置設定思想等。
| yolov7 | |
| Backbone | ELAN結構 MP 結構 |
| Neck | SPPCSPC結構, MP 結構（和backbone參數不同） Rep結構 |
| Head | 類似yolov5 (anchor based ) |
| Anchor | Anchor-Base |
- ELAN：在不破壞原有梯度路徑的情況下不斷增強網絡學習能力的能力。(看着就是從CSP結構過來的)
- MP：之前下采樣我們通常最開始使用maxpooling，之後大家又都選用stride = 2的3*3卷積。這裡作者同時使用了max pooling 和 stride=2的conv。 需要注意backbone中的MP前後通道數是不變的。
- SPPCSPC結構：從圖上可以看出來，還是在yolov4的SPP結構(五九十三結構)上優化的。
- Rep: 寬度。
參考：目标檢測算法——YOLOV7——詳解_TigerZ*的部落格-CSDN部落格_yolov7
2.6 yolov8
這裡有兩個結構圖：
| yolov8 | |
| Backbone | C3 換成 C2f |
| Neck | PAN-FPN |
| Head | Decoupled-Head |
| Anchor | Anchor-Free |
| loss 函數 | 分類損失：VFL Loss 回歸損失: DFL Loss+CIOU Loss |
| 樣本比對 | IOU比對 換成 Task-Aligned Assigner比對 |
- C2f子產品：參考了C3子產品以及ELAN的思想進行的設計，讓YOLOv8可以在保證輕量化的同時獲得更加豐富的梯度流資訊。（第一個圖中C2f結構更加直覺）
- PAN-FPN: 相對于YOLOv5，YOLOv8将C3子產品以及RepBlock替換為了C2f，同時細心可以發現，相對于YOLOv5，YOLOv8選擇将上采樣之前的1×1卷積去除了，将Backbone不同階段輸出的特征直接送入了上采樣操作。
參考：YOLO v8詳解_櫻花的浪漫的部落格-CSDN部落格
（17）目标檢測算法之 YOLOv8 算法改進詳細解析_明月醉窗台的部落格-CSDN部落格
其他yolo模型後續再添加！