YOLO算法发展史 v1 v2 v3_yolov的演变

YOLO系列算法在工程界应用广泛，在与其他检测算法精度相同时，可以达到3到4倍的前向速度。
1.YOLO v1：是一种Anchor-Free的算法
算法利用回归的思想，使用一阶网络直接完成了分类与位置定位两个任务，速度极快。
回归与分类的区别：
其损失函数不同，回归问题建立了一个度量空间。分类问题建立了定性空间；

YOLO v1首先利用卷积神经网络进行了特征提取。输入图像的尺寸固定为448×448，经过24个卷积层与两个全连接层后，最后输出的特征图大小为7×7×30（30通道）。·实际上是将图像划分为了7x7的区域，每个区域均对应特征图上的一个点。v1在每个区域上均预测两个边框（边框的中心点落入区域之内）。

对于真是你的实物而言，其中心落入网格内时，则该网格负责预测该物体。检测GT与两个框间的IOU，选取其中大的一个框负责回归真实位置。
其预测的结果中包含：(V1中是物体的20分类）
（1）类别概率，只有20个值，两框框选的一定是同一个物体。（Faster rcnn将背景也当成一个类别，yolo则将置信度与物体类别分开处理）
（2）置信度,两框是否包含有物体，无论什么类别，一共2个值
（3）回归边框的位置，两框一共8个值
注意v1中并不存在先验框。
其损失值的计算方法为：
当真实物体中心落于任一区域时，该区域负责检测。其中IOU大的一个框为真值框，其置信度为1，该区域内另一边框为负样本，没有类别及位置损失，其置信度为0

优点：
处理速度极快，可以达到45 FPS。
缺点：每个区域只有两个框，一个预测类别，故其对靠得特别近的物体，及小物体的检测效果并不好。无先验框，对宽高比变动大的物体不适应。位置损失函数与物体大小直接相关，定位并不精确。
2.YOLO v2
（1）使用了名为DarkNet的新型网络结构，精度与VGG相同，但大幅降低了计算量。
加入了BN层，在每一个卷积之后，激活函数LeakyReLU之前。
利用Passthrough层进行了深浅层特征的融合（将浅层26×26×512的特征变换为13×13×2048）
（2）v2每个区域中有5个边框。每个边框有自己独立的类别值，故每个边框共预测有20个类别+1个置信度+4个位置共25个预测值
（3）引入了先验框，Faster rcnn中的先验框由手工进行设计。聚类算法实现先验框的尺度，预测先验框与真实物体的偏差。
损失的计算：
预测框与真实框的IOU小于0.6时，设置为负样本。
物体落入区域中心时，其中与GT最大的IOU设置为正样本（不受0.6的影响）。
同一区域内如果有多个 IOU大于0.6，取最大的一个进行计算，其余大于0.6的预测框不作为正样本也不作为负样本，不参与计算。
其损失函数最终如下图所示：

优点：模型的精度提升又保持速度优势。
缺点：工程化调参引入了损失函数，且对小物体检测的改善并不明显。
3 YOLO v3 多尺度特征融合：
（1）提出了创新型的网络结构:
darknet-53，固定416x416x3的网络输入：
网络大量使用了残差连接，牺牲了部分网络速度，进一步提升了精度。
（2）引入了多尺度预测：
YOLO v3输出了3个大小不同的特征图，从上到下分别对应深层、中层与浅层的特征。深层的特征图尺寸小，感受野大，有利于检测大尺度物体，而浅层的特征图则与之相反，更便于检测小尺度物体，这一点类似于FPN结构。
（3）使用聚类算法得到9种大小不同的先验框，并进行分配：

特征图上每点对应3个先验框。
（4）YOLO v3的另一个改进是使用了Logistic函数代替Softmax函数，以处理类别的预测得分。原因在于，Softmax函数输出的多个类别预测之间会相互抑制，只能预测出一个类别，而Logistic分类器相互独立，可以实现多类别的预测。Softmax可以被多个独立的Logistic分类器取代，并且准确率不会下降，这样的设计可以实现物体的多标签分类，例如一个物体如果是Women时，同时也属于Person这个类别。
总体而言，yolo算法在遮挡及拥挤的情况下，难以实现较好的检测精度，但检测速度较好。