YOLOV1

Yolo演算法採用一個單獨的CNN模型實現end-to-end的目標檢測，核心思想就是利用整張圖作為網路的輸入，直接在輸出層回歸 bounding box（邊界框） 的位置及其所屬的類別。

輸入圖像resize到448x448，然後送入CNN網路，最後處理網路預測結果得到檢測的目標。相比R-CNN演算法，其是一個統一的框架，其速度更快。

• Yolo演算法模型的主體實現邏輯：採用預設預測區域的方法來完成目標檢測，具體而言是將448x448原始影象劃分為 7x7=49 個網格（grid），每個網格允許預測出2個邊框（bounding box，包含某個物件的矩形框），總共 49x2=98 個bounding box。我們將其理解為98個預測區，很粗略的覆蓋了圖像的整個區域，就在這98個預測區中進行目標檢測。
• 其中每個網格中所對應生成的兩個bounding box，屬於隨機生成，後期需要不斷的透過回歸來更新bounding box框的位置。
• 損失函式：計算思路分類誤差平方和
  

• 模型預測

將圖像resize成448x448的大小，送入到yolo網路中，輸出一個 7x7x30 的張量（tensor）來表示圖像中所有網格包含的物件（概率）以及該物件可能的2個位置（bounding box）和可信程度（置信度）。在採用NMS（Non-maximal suppression，非極大值抑制）演算法選出最有可能是目標的結果。

• 優缺點

演算法速度快；
準確率會打折扣
對於小目標和靠的很近的目標檢測效果並不好

YOLOV2

YOLOv2相對v1版本，在繼續保持處理速度的基礎上，從預測更準確（Better），速度更快（Faster），識別物件更多（Stronger）這三個方面進行了改進。其中識別更多物件也就是擴展到能夠檢測9000種不同物件，稱之為YOLO9000。 下面我們看下yoloV2的都做了哪些改進？

• batch normalization（批標準化）

批標準化有助於解決反向傳播過程中的梯度消失和梯度爆炸問題，降低對一些超引數的敏感性，並且每個batch分別進行歸一化的時候，起到了一定的正則化效果，從而能夠獲得更好的收斂速度和收斂效果。在yoloV2中卷積後全部加入Batch Normalization

• 使用高解析度影象微調分類模型

YOLOV2在採用 224x224 影象進行分類模型預訓練後，調整部分(再採用 448x448 的高解析度樣本對分類模型進行微調（10個epoch），使網路特徵逐漸適應 448x448 的解析度)。然後再使用 448x448 的檢測樣本進行訓練，緩解了解析度突然切換造成的影響。

• 採用Anchor Boxes

YOLO1並沒有採用先驗框，並且每個grid只預測兩個bounding box，整個影象98個。YOLO2如果每個grid採用5個先驗框，總共有13x13x5=845個先驗框。透過引入anchor boxes，使得預測的box數量更多（13x13xn）。

• 聚類選取anchor尺度

Faster-rcnn選擇的anchor比例都是手動指定的，但是不一定完全適合資料集。YOLO2嘗試統計出更符合樣本中物件尺寸的先驗框，這樣就可以減少網路微調先驗框到實際位置的難度。YOLO2的做法是對訓練集中標註的邊框進行聚類分析，以尋找聚類的頻率最高的前五種尺寸最為anchor box。

• 細粒度特徵融合
  YOLO2引入一種稱為passthrough層的方法在特徵圖中保留一些細節訊息。具體來說，就是在最後一個pooling之前，特徵圖的大小是26x26x512，將其1拆4，直接傳遞（passthrough）到pooling後（並且又經過一組卷積）的特徵圖，兩者疊加到一起作為輸出的特徵圖。
  
• 多尺度訓練
  YOLO2中沒有全連接層，可以輸入任何尺寸的影象。因為整個網路下採樣倍數是32，採用了{320,352,…,608}等10種輸入影象的尺寸，這些尺寸的輸入影象對應輸出的特徵圖寬和高是{10,11,…19}。訓練時每10個batch就隨機更換一種尺寸，使網路能夠適應各種大小的物件檢測。
  

YOLOV3

說明：yoloV3以V1，V2為基礎進行的改進，主要有：利用多尺度特徵進行目標檢測；先驗框更豐富；調整了網路結構；物件分類使用logistic代替了softmax,更適用於多標籤分類任務。
特點：針對小目標，精度有顯著提升

• 利用多尺度特徵進行目標檢測

• 網路越深，特徵圖就會越小，所以網路越深小的物體也就越難檢測出來
• 在實際的feature map中，隨著網路深度的加深，淺層的feature map中主要包含低級的訊息（物體邊緣，顏色，初階位置訊息等），深層的feature map中包含高等訊息（例如物體的語意訊息：狗，貓，汽車等等）。因此在不同級別的feature map對應不同的scale，所以我們可以在不同級別的特徵圖中進行目標檢測
• 綜述，即在淺層網路中檢測小目標，在深層網路中檢測大型目標；

當前層的feature map會對未來層的feature map進行上採樣，並加以利用。因為有了這樣一個結構，當前的feature map就可以獲得「未來」層的訊息，這樣的話低階特徵與高階特徵就有機融合起來了，提升檢測精度。在YOLOv3中，就是採用這種方式來實現目標多尺度的轉換的。

• 先驗框更豐富；
  

• 調整了網路結構
  在基本的影象特徵選取方面，YOLO3採用了Darknet-53的網路結構（含有53個卷積層），它借鑒了殘差網路ResNet的做法，在層之間設定了shortcut，來解決深層網路梯度的問題，shortcut如下圖所示：包含兩個卷積層和一個shortcut connections。
  
  yoloV3的模型結構如下所示：整個v3結構裡面，沒有池化層和全連接層，網路的下採樣是透過設定卷積的stride為2來達到的，每當透過這個卷積層之後影象的尺寸就會減小到一半。
  

• 物件分類使用logistic代替了softmax,更適用於多標籤分類任務

預測物件類別時不使用softmax，而是被取代為一個1x1的卷積層+logistic啟動函式的結構。使用softmax層的時候其實已經假設每個輸出僅對應某一個單個的class，但是在某些class存在重疊情況（例如woman和person）的資料集中，使用softmax就不能使網路對資料進行很好的預測。

• 輸入與輸出
  

YOLOV4

yoloV4總結了大部分檢測技巧，然後經過篩選，排列組合，挨個實驗（ablation study）哪些方法有效，總體來說，Yolov4並沒有創造新的改進，而是使用了大量的目標檢測的技巧。