YOLO系列概览

1.YOLO V1

采用一个24层的卷积网络加2个全连接层。

将画面分成S*S个部分，每个部分负责预测B个框，每个框有x，y，w，h，confidence（是否有目标，IOU为多少）五个预测参数。

在VOC数据集中，有20个类别。

算法中，B=2，即每个分格预测2个框。所以，最后的输出向量维度为S*S*30,30=5+5+20，最后20个参数代表属于每一个类别的概率，这个概率由预测的2个框共享。

由此，也能看出V1的一个重大缺陷：每个分格实际只可以预测一个目标，因为分类概率共享，对于目标密集的画面，预测效果不佳。

2.YOLO V2

还未学习

3.YOLO V3

采用darknet53网络，该网络是全卷积网络，没有全连接层，网络结构为几个卷积层中加入一个残差层，可以理解为卷积网络和残差网络的一种组合。

画面分成S*S个部分，每个部分负责预测B个框，每个框有x，y，w，h，confidence（是否有目标，IOU为多少）五个预测参数。

论文中，每个部分预测3个框，分类为80个类别，类别概率不共享，故输出向量维度变为：S*S*（5+80）*3=S*S*255。

最终的输出层还加入了多感受维度，类似SSD算法。