【面试】yolo相关面试问答_yolov5面试题

1. yolov1的基本介绍

CVPR 2016，提出了一种单阶段（one-stage）的目标检测网络。
核心思想：把目标检测转变成一个回归问题，利用整张图作为网络的输入，仅仅经过一个神经网络，得到bounding box（边界框） 的位置及其所属的类别。

网络结构（能默）：

网络输入：448×448×3的彩色图片。
中间层：由若干卷积层和最大池化层组成，用于提取图片的抽象特征。
全连接层：由两个全连接层组成，用来预测目标的位置和类别概率值。
网络输出：7×7×30的预测结果。

2 yolo各个版本直接的变化

yolov2 变化：
重点解决YOLOv1召回率和定位精度方面的不足。
优化点：
YOLOv1是利用全连接层直接预测Bounding Box的坐标；
YOLOv2借鉴了Faster R-CNN的思想，引入Anchor机制；利用K-means聚类的方法在训练集中聚类计算出更好的Anchor模板，大大提高了算法的召回率。同时结合图像细粒度特征，将浅层特征与深层特征相连，有助于对小尺寸目标的检测。

yolov3 变化：

网络结构：相比于 YOLOv2 的 骨干网络，YOLOv3 进行了较大的改进。借助残差网络的思想，YOLOv3 将原来的 darknet-19 改进为darknet-53。
Darknet-53主要由1×1和3×3的卷积层组成，每个卷积层之后包含一个批量归一化层和一个Leaky ReLU，加入这两个部分的目的是为了防止过拟合。
对比darknet-19， darknet-53主要做了如下改进：

1. 没有采用最大池化层，转而采用步长为2的卷积层进行下采样。
2. 为了防止过拟合，在每个卷积层之后加入了一个BN层和一个Leaky ReLU。
3. 引入了残差网络的思想，目的是为了让网络可以提取到更深层的特征，同时避免出现梯度消失或爆炸。
4. 将网络的中间层和后面某一层的上采样进行张量拼接，达到多尺度特征融合的目的。

yolov4 变化：
YOLOv4在传统的YOLO基础上，加入了这些实用的技巧，实现了检测速度和精度的最佳权衡。

1. 在不增加推理成本的前提下获得更好的精度，而只改变训练策略或只增加训练成本的方法
   e.g.
   随机缩放
   翻转、旋转
   图像扰动、加噪声、遮挡
   改变亮度、对比对、饱和度、色调
   随机裁剪（random crop）
   随机擦除（random erase）
   Cutout
   MixUp
   CutMix

常见的正则化方法有：
DropOut
DropConnect
DropBlock

平衡正负样本的方法有：
Focal loss
OHEM(在线难分样本挖掘)

除此之外，还有回归 损失方面的改进：
GIOU
DIOU
CIoU

2. 在不增加推理成本的前提下获得更好的精度，而只改变训练策略或只增加训练成本的方法
   SPP
   ASPP
   RFB

注意力机制：
Squeeze-and-Excitation (SE)
Spatial Attention Module (SAM)

特征融合集成：
FPN
SFAM
ASFF
BiFPN （出自于大名鼎鼎的EfficientDet）

更好的激活函数：
ReLU
LReLU
PReLU
ReLU6
SELU
Swish
hard-Swish

后处理非极大值抑制算法：
soft-NMS
DIoU NMS

yolov5 变化：

一共给出了5个版本，分别是 YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLO5x 五个模型。这些不同的变体使得YOLOv5能很好的在精度和速度中权衡，方便用户选择。

1. 自适应锚框计算:
2. 自适应灰度填充:应对输入图片尺寸 不一的问题,通常做法是将原图直接resize成统一大小,但是这样会造成目标变形,YOLOv5采用了灰度填充的方式统一输入尺寸，避免了目标变形的问题.
3. 将 Focus 结构引入了YOLOv5的Backbone，用于直接处理输入的图片，Focus重要的是切片操作，原始608x608x3的图像输入Focus结构，采用切片操作，先变成304x304x12的特征图。

3. yolo输入尺寸

yolov5: 默认640*640
yolov3:默认416*416
yolov1:默认448*448
1
2
3