当前位置 博文首页 > 微信号：Custom-Software：YOLOV1到V4模型原理和演化史
目录
一、YOLO VS faster R-CNN
二、YOLOV1网络结构和缺点
三、YOLOV2相对于V1的改进
四、YOLOV3的网络结构和相对于V2的改进
五、YOLOV4相对V3的改进
一、YOLO VS faster R-CNN
针对于two-stage目标检测算法普遍存在的运算速度慢的缺点，yolo创造性的提出了one-stage。也就是将物体分类和物体定位在一个步骤中完成。yolo直接在输出层回归bounding box的位置和bounding box所属类别，从而实现one-stage。所以yolo的诞生就是为了解决识别速度的问题。
faster R-CNN也是一个系列的模型的高级版本，faster R-CNN就是典型的two-stage目标检测算法。先进行bounding box的位置回归，然后输出物体类别。faster R-CNN相对比较慢。
二、YOLOV1网络结构和缺点
上面是结构图yolo_v1结构图，通过结构图可以轻易知道前向传播的计算过程，是很便于读者理解的。网络结构借鉴了 GoogLeNet。24个卷积层，2个全链接层。
yolov1的输出是一个7x7x30的张量，7x7表示把输入图片划分位7x7的网格，每一个小单元的另一个维度等于30。30=(2*5+20)。代表能预测2个框的5个参数(x,y,w,h,score)和20个种类。
如上图，每一个网格只能只能预测两个框，不利于识别密集型目标和小目标。整个图片最多识别7X7X2个box，最多识别49个目标。
yolo的做法并不是把每个单独的网格作为输入feed到模型，在inference的过程中，网格只是物体中心点位置的划分之用，并不是对图片进行切片，不会让网格脱离整体的关系。
三、YOLOV2相对于V1的改进
网络采用DarkNet-19 主干网络的升级
Batch Normalization： v1中也大量用了Batch Normalization，同时在定位层后边用了dropout，v2中取消了dropout，在卷积层全部使用Batch Normalization。BN能够给模型收敛带来显著地提升，同时也消除了其他形式正则化的必要。
使用anchors：借鉴faster R-CNN和SSD，对于一个中心点，使用多个anchor，得到多个bounding box，每个bounding box包含4个位置坐标参数(x y w h)和21个类别概率信息。而在yoloV1中，每个grid（对应anchor），仅预测一次类别，而且只有两个bounding box来进行坐标预测。v1中直接在卷积层之后使用全连接层预测bbox的坐标。v2借鉴Faster R-CNN的思想预测bbox的偏移.移除了全连接层,并且删掉了一个pooling层使特征的分辨率更大一些。v1中每张图片预测7x7x2=98个box,而v2加上Anchor Boxes能预测13X13X5（5+20）个box
去掉全连接层：和SSD一样，模型中只包含卷积和平均池化层（平均池化是为了变为一维向量，做softmax分类）。这样做一方面是由于物体检测中的目标，只是图片中的一个区块，它是局部感受野，没必要做全连接。而是为了输入不同尺寸的图片，如果采用全连接，则只能输入固定大小图片了。
四、YOLOV3的网络结构和相对于V2的改进
1. 引入FPN （多尺度预测）
YOLOv3 借鉴了 FPN 的思想，从不同尺度提取特征。相比 YOLOv2，YOLOv3 提取最后 3 层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。用维度聚类的思想聚类出 9 种尺度的 anchor box，将 9 种尺度的 anchor box 均匀的分配给 3 种尺度的特征图。
2. Darknet-53主干网络的改进
3. softmax被替代
在实际应用场合中，一个物体有可能输入多个类别，单纯的单标签分类在实际场景中存在一定的限制。举例来说，一辆车它既可以属于 car（小汽车）类别，也可以属于 vehicle（交通工具），用单标签分类只能得到一个类别。因此在 YOLO v3 在网络结构中把原先的 softmax 层换成了逻辑回归层，从而实现把单标签分类改成多标签分类。用多个 logistic 分类器代替 softmax 并不会降低准确率，可以维持 YOLO 的检测精度不下降。
五、YOLOV4相对V3的改进
主干网络改进 CSPDarknet53作为Backbone
训练方法改进
1. 数据增强把四张图片拼成一张图片，等价于增大了mini-batch。
还有自对抗训练数据增强方法。这是在一张图上，让神经网络反向更新图像，对图像做改变扰动，然后在这个图像上训练。
还吸收一些近年来最新深度学习网络的技巧。如CutMix数据增强，Swish、Mish激活函数。
CmBN 跨最小批的归一化（Cross mini-batch Normal），在CBN的基础上改进；CmBN吸收了BN和CBN的特点。
