【目标检测经典模型比较】--YOLOv1、v2、v3、v4、v5、x、v7、v8_yolo系列哪个最好

YOLOv1、v3、v5、v7、v8

1.YOLO(2015)

结构

YOLO检测网络包括24个卷积层和2个全连接层

其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

• YOLO网络借鉴了GoogLeNet分类网络结构。不过使用1x1卷积层（此处1x1卷积层的存在是为了跨通道信息整合）+3x3卷积层简单替代。
• YOLO论文中，作者还给出一个更轻快的检测网络fast YOLO，它只有9个卷积层和2个全连接层。
• Loss函数使用均方和误差，即网络输出的SxSx(Bx5 + C)维向量与真实图像的对应SxSx(Bx5 + C)维向量的均方和误差。
  coordError、iouError和classError分别代表预测数据与标定数据之间的坐标误差、IOU误差和分类误差。

训练：

batchsize=64 momentum=0.9 decay=0.0005 前期：learning rate= 10−3 to 10−2.后期10−2训练75个epoch，然后用10−3训练30个epoch，最后用10−4训练30个epoch。dropout layer with rate =0.5 数据增强：20%的随机缩放和平移，随机调整曝光和饱和度的图像在HSV颜色空间的一个因子1.5

优点：

1. 速度快，将检测视为回归问题（平均精度也高）
2. 对图像进行全局推理，关联背景上下文（背景错误少）
3. 学习对象的通用模式（相当于模板），推广性强

缺点：

1. 准确性低，定位不佳（小对象更明显）
2. 空间约束限制了我们的模型可以预测的附近物体的数量
3. 难以预测框形状变化大的
4. 损失函数在小边界框和大边界框中处理错误是相同的。

2.YOLOv2(2016) YOLO9000: Better, Faster, Stronger

1. 结构

数据集：ImageNet的9000多个类
yolov2主要集中在提高召回率和定位，同时保持分类准确性。
Yolov2训练策略：

在YOLO中的所有卷积层上添加批量归一化。删去全连接层，并使用锚框来预测边界框。k-means生成边界框，使用维度聚类直接预测边界框中心位置。添加一个passthrough层，使26×26×512的特征图得到1×26×512。采用多尺度输入训练策略，输入图片大小选择一系列为32倍数的值： 320,352,…608
模型称为Darknet-19，有19个卷积层和5个maxpooling层。

使用WordTree层次结构组合数据集。
损失函数包含两部分: 分类损失Softmax和回归损失Smooth L1
优点：
1.精度提高，检测准确率比YOLOv1高。
2.速度更快，可达到更高的实时性能。
3.使用了batch normalization技术，可以减轻过拟合问题。
缺点：
1.一个分类器只能检测固定数量的物体，无法处理可变数量的物体。
2.训练和调整模型需要更多的计算资源和时间
3.学习检测设备和服饰表现差

3.YOLOv3(2018)

YOLOv3是一种基于深度学习的目标检测算法，它是在YOLOv2的基础上进行了改进和优化，提高了检测的准确度和速度。YOLOv3解决的问题主要有以下几个方面：

• 提高小目标的检测能力。 YOLOv3采用了多尺度预测的方式，使用了三种不同大小的特征图，分别负责检测大、中、小的目标。这样可以增加小目标的感受野，提高小目标的定位和分类效果

• 增加网络的深度和宽度。 YOLOv3使用了Darknet-53作为骨干网络，它是一个由残差模块组成的深层网络，具有较强的特征提取能力。同时，YOLOv3也增加了每个网格单元预测的边框数量，从YOLOv2的5个增加到了3个，这样可以增加网络的表达能力和泛化能力

• 改进边框预测和类别预测。 YOLOv3对边框预测和类别预测进行了一些改进，例如使用logistic回归代替softmax进行多标签分类，使用二值交叉熵代替平方误差进行置信度损失计算，使用k-means聚类代替手动设置进行锚框设计等。这些改进可以提高网络的稳定性和鲁棒性
特征提取器是一个残差模型，因为包含53个卷积层，所以称为Darknet-53。采用类FPN架构来实现多尺度检测。YOLOv3采用了3个尺度的特征图（当输入为416*416时）：(13*13)，(26*26), (52*52）。使用binary cross-entropy loss分类器。

YOLOv3 的 neck 输出 3 个分支，即输出 3 个特征图， head 模块只有一个分支，由卷积层组成，该卷积层完成目标分类和位置回归的功能。总的来说，YOLOv3 网络的 3 个特征图有 3 个预测分支，分别预测 3 个框，也就是分别预测大、中、小目标。
优点：
1.快速
2.背景误检率低
3.通用性强
缺点：
1.识别物体位置精准性差，小物体检测能力弱
2.召回率低
创新点：

1. 使用Darknet-53作为特征提取网络，利用残差连接和卷积降采样来构建一个深层而高效的网络结构。
2. 使用FPN（特征金字塔网络）来实现多尺度检测，利用不同大小的特征图来预测不同大小的物体，同时使用上采样和拼接来融合不同层次的特征。
3. 使用逻辑回归替代softmax作为分类器，避免了类别之间的竞争，支持多标签的预测。

4.YOLOv4(2020)

贡献：

1. 我们开发了一个高效、强大的目标检测模型。它使得每个人都可以使用1080 Ti或2080 Ti GPU来训练超级快速准确的目标检测器。

2. 在检测器训练过程中，我们验证了最先进的bag - offrebies和Bag-of-Specials方法对目标检测的影响。

3. 我们修改了最先进的方法，使其更有效，更适合单GPU训练，包括CBN ， PAN ， SAM等。

讲了通用的改进方法：数据增强，loss函数，增强感受野，注意力机制，特征集成，激活函数，后处理方法（后续开发无锚方法时不再需要进行后处理）

网络结构： CSPDarknet53骨干、SPP附加模块、PANet路径聚合颈和YOLOv3(基于锚点的)头作为YOLOv4的架构。DropBlock作为我们的正则化方法。增强马赛克和自对抗训练(SAT)方法

YOLOv4 consists of :
• Backbone: CSPDarknet53 主要在残差块进行了改进，引入了大残差块；
• Neck: SPP ，PAN
• Head: YOLOv3

创新：

1. 输入端：Mosaic、Self-Adversarial Training–SAT自对抗训练、cmBN、Label Smoothing类标签平滑（缩小差距，减小过拟合）
2. backbone：CSPDarknet53、Mish激活函数（无边界避免饱和）、Dropblock（随即丢弃区域）
3. neck：SPP模块（何恺明提出，解决不同尺寸的特征图如何进入全连接层）、FPN+PAN（自底向上的特征金字塔，特征反复提取）
4. 使用Mish激活函数

5.YOLOv5(2020)

YOLOv5给出了四种版本的目标检测网络，分别是Yolov5s、Yolov5m、Yolov5l、Yolov5x四个模型。

创新点： YOLOv5各部分改进

1. 输入端：Mosaic数据增强、自适应锚框计算（自动计算该数据集最合适的Anchor尺寸融入代码，保证准确率，减少模型参数和FLOPS）
2. Backbone：Focus结构（切片操作为一片片特征图），CSP结构（Cross Stage Partial Network，跨阶段局部网络）两种CSP，一个在backbone，一个在neck
3. Neck：FPN+PAN结构（加强网络特征融合的能力）
4. Prediction：GIOU_Los
5. 非极大值抑制采用DIOU_nms，对于遮挡问题，检出效果有所提升。

解决问题：
1.马赛克数据增强使小目标检测效果变好
2. Focus结构减少FLOPs，提高速度

优点：
1.使用pytorch框架，易于训练，投入生产，易于部署
2.提供四种版本，依据实际情况选择
3.模型训练、检测速度快
4.直接对单个图像，批处理图像，视频，摄像头端口输入进行有效推理
缺点： 没有发论文

6.YOLOX(2021)

7.YOLOv7

论文摘要：
本文提出的方法的发展方向不同于目前主流的实时目标检测器。除了架构优化之外，我们提出的方法将侧重于训练过程的优化。我们将重点研究一些优化模块和优化方法，这些模块和优化方法可以在不增加推理成本的情况下，增强训练成本以提高目标检测的准确性。
我们将提出的模块和优化方法称为可训练的免费包。
在本文中，我们将介绍一些我们发现的新问题，并设计有效的方法来解决它们。对于模型的再参数化，采用梯度传播路径的概念，分析了适用于不同网络层的模型再参数化策略，提出了规划的再参数化模型。此外，当我们发现使用动态标签分配技术时，具有多个输出层的模型的训练将产生新的问题。

即 : “如何为不同分支的输出分配动态目标?” 针对这一问题，我们提出了一种新的标签分配方法，即粗到细的导联标签分配方法。

本文的贡献总结如下:

1. 设计了几种可训练的免费袋方法，使得实时目标检测在不增加推理成本的情况下大大提高了检测精度;
2. 对于目标检测方法的改进，我们发现了两个新问题，即重参数化模块如何替换原始模块，以及动态标签分配策略如何处理对不同输出层的分配。此外，我们还提出了解决这些问题所带来的困难的方法;
3. 提出了实时目标检测器的**“扩展”和“复合缩放”**方法，可以有效地利用参数和计算量;
4. 该方法可有效减少当前实时目标检测器约40%的参数和50%的计算量，具有更快的推理速度和更高的检测精度

8.YOLOv8

解决的问题、贡献、优点

• 提高了速度和精度： YOLOv8在MS COCO数据集上达到了58.9%的AP，超越了YOLOv5的48.4%的AP，成为了目前最准确的YOLO模型。YOLOv8还在GPU V100上保持了40 FPS以上的速度，比YOLOv5快了10 FPS，是一种实时目标检测器。
• 提供了一个友好的接口： YOLOv8通过一个PIP包来使用YOLO模型，使得开发者可以更方便地安装、训练、测试和部署模型。YOLOv8还提供了一个易于使用的命令行界面（CLI），可以通过简单的命令来执行各种操作。
• 支持多种任务： YOLOv8不仅可以用于目标检测，还可以用于图像分类和实例分割等任务。YOLOv8还支持多种数据格式，如COCO、VOC、Roboflow等。
• 拥有一个活跃的社区：YOLOv8由Ultralytics开发和维护，他们也是YOLOv5的创造者。Ultralytics不断地改进模型的架构和性能，并且积极地与社区交流和反馈。YOLOv8也继承了YOLO系列模型的优势，如小巧、灵活、可训练等，受到了计算机视觉领域的广泛关注和使用。

小结

作为单阶段大名鼎鼎的YOLO系列，速度确实快，精度可能会差一点。
现在最常用的就是yolov5、yolov7、yolov8了。
工业界便于部署使用的大部分是yolov5，不过yolov8现在也使用起来不错，不过使用起来，会出一些bug，修改代码需要修改环境里的Ultralytics代码。现在yolov8也是许多人改进模型的基础模型了（比较好水bushi）。

yolov8改进，我尝试过很多，总体来说效果其实也就那样，许多注意力机制更是几乎没什么用（甚至都不如CBAM）。
不过还是有可以改进的：提高速度和提高精度

1. 提高速度：加一些DWconv、ghostconv等等
2. 提高精度：一般都得上模型复杂度，会变慢，但是速度会提高

如果有需要我可以详细讲一下，我有一些yolov8的改进方法：
可以看我的GitHub yolov8改进
具体策略在 STF-YOLO/cfg/models/v8/ 里