YOLO1-YOLO5检测头的改进

YOLO1：

最后检测头7*7grid,每个点预测两个框(一个大框一个小框)，分类用one hot，如下图所示：

YOLO2:

 

 

            增加了一个中间卷积层，先采用64个 1*1 卷积核进行卷积，然后再进行passthrough处理，这样26*26*512的特征图得到13*13*256的特征图。

passthrough层的来源（细粒度特征）：上图中第25层route 16，意思是来自16层的output，即26*26*512。

passthrough层的处理：

利用1*1*64卷积降低第25层26*26*512（实际来自16层）的通道数，从512降低到64，输出26*26*64（见第26层）。

第27层进行拆分（实际的passthrough层）操作，1拆4分成13*13*256。

将passthrough层和最后一层卷积层结合： 第28层叠加27层和24层的输出（13x13x1024+13x13x256），得到13*13*1280。

1. 7*7 grid 太小了，增大为13*13
2. 每个grid对应两个人为设计的anchor增加为5个统计得到的anchor（在voc2007和coco上都进行了统计，coco相比voc小框更多）
3. 每个anchor对应一个类别，13*13*(5*5+5*20)=422500 outputs
4. 损失函数gt为1变 与iou计算的值
5. passthrough

YOLO3:

分为3个检测头分别检测大目标中目标和小目标，每个检测头预测3个人为设计的anchor

YOLO4:

1. Using mutlti-anchors for single ground truth

anchor与ground truth IOU大于阈值的框在损失函数计算时，使用的c用IOU值

1. Eliminate_grid_sensitivity

因为yolo3中使用了基于base anchor的策略限制了预测框中心点的位置必须在grid方框内部，这样会忽略中心点落在grid边界的情况，在前面增加系数，比如说1.1，填补这部分空缺的可能性。

1. CIOU loss

YOLO5:

自适应anchor：

基于人工定义的anchor，网络对anchor再次计算。先定义前景背景，然后进行精细化分类和回归，相当于two stage检测模型。