yolo全家桶；yolo系列专题讲解,通俗易懂的yolo v1, v2 ,v3 ,v4 ,v5 , yolox

*免责声明:
1\此方法仅提供参考
2\搬了其他博主的操作方法,以贴上路径.
3*

场景一:yolo v1

场景二:yolo v2

场景三:yolo v3

场景四:yolo v4

场景五:yolo v5

场景六:pp-Yolo

场景七:Yolox

场景八:论文改进方向建议

场景九:资源下载

场景十:模型结构可视化神器——Netron

强推---->通俗易懂的YOLO系列（从V1到V5）模型解读！

…

场景一:yolo v1

yolo v1论文地址

YOLO v1论文详解
单阶段算法–YOLOv1详解
Yolo三部曲解读——Yolov1

1.1 物体检测

1.2 实现方法

1.3 网络结构

1.4 训练细节与loss函数

大致流程

1.5 测试

1.6 亮点

1.7 不足

…

场景二:yolo v2

yolo v2论文地址

Yolo三部曲解读——Yolov2
单阶段算法–YOLOv2详解
YOLO v2 / YOLO9000论文详解

1.1 先导知识

Kmeans 聚类算法

1.2 yolo v2改进点

1.3 网络结构

1.4 训练

1.5 性能

1.6 yolo 9000:stronger

一种联合分类与检测训练的方法——YOLO9000

1.7 总结

…

场景三:yolo v3

yolo v3论文地址

yolo系列之yolo v3【深度解析】
【目标检测】单阶段算法–YOLOv3详解
【论文解读】Yolo三部曲解读——Yolov3
Keras YOLO v3代码详解（一）：darknet53网络结构分析+Netron工具

1.1 网络结构

   layer    filters    size/s       p        input                 output
   0 conv     32     3 x 3 / 1      1    416 x 416 x 3   ->  416 x 416 x 32  0.299 BF
   1 conv     64     3 x 3 / 2      ?    416 x 416 x 32  ->  208 x 208 x 64 1.595 BF
   2 conv     32     1 x 1 / 1      0    208 x 208 x 64  ->  208 x 208 x 32  0.177 BF
   3 conv     64     3 x 3 / 1      1    208 x 208 x 32  ->  208 x 208 x 64 1.595 BF
   4 Shortcut Layer: 1        
   5 conv    128     3 x 3 / 2      ?    208 x 208 x 64  ->  104 x 104 x 128 1.595 BF
   6 conv     64     1 x 1 / 1      0    104 x 104 x 128 ->  104 x 104 x  64 0.177 BF
   7 conv    128     3 x 3 / 1      1    104 x 104 x 64  ->  104 x 104 x 128 1.595 BF
   8 Shortcut Layer: 5
   9 conv     64     1 x 1 / 1      0    104 x 104 x 128 ->  104 x 104 x  64 0.177 BF
  10 conv    128     3 x 3 / 1      1    104 x 104 x 64  ->  104 x 104 x 128 1.595 BF
  11 Shortcut Layer: 8
  12 conv    256     3 x 3 / 2      ?    104 x 104 x 128 ->  52 x  52 x 256 1.595 BF
  13 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  14 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  15 Shortcut Layer: 12
  16 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  17 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  18 Shortcut Layer: 15
  19 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  20 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  21 Shortcut Layer: 18
  22 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  23 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  24 Shortcut Layer: 21
  25 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  26 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  27 Shortcut Layer: 24
  28 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  29 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  30 Shortcut Layer: 27
  31 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  32 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  33 Shortcut Layer: 30
  34 conv    128     1 x 1 / 1      0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
  35 conv    256     3 x 3 / 1      1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
  36 Shortcut Layer: 33
  37 conv    512     3 x 3 / 2      ?    52 x  52 x 256  ->  26 x  26 x 512 1.595 BF
  38 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  39 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  40 Shortcut Layer: 37
  41 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  42 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  43 Shortcut Layer: 40
  44 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  45 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  46 Shortcut Layer: 43
  47 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  48 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  49 Shortcut Layer: 46
  50 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  51 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  52 Shortcut Layer: 49
  53 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  54 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  55 Shortcut Layer: 52
  56 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  57 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  58 Shortcut Layer: 55
  59 conv    256     1 x 1 / 1      0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  60 conv    512     3 x 3 / 1      1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  61 Shortcut Layer: 58
  62 conv   1024     3 x 3 / 2      ?    26 x  26 x 512  ->  13 x  13 x1024 1.595 BF
  63 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  64 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  65 Shortcut Layer: 62
  66 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  67 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  68 Shortcut Layer: 65
  69 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  70 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  71 Shortcut Layer: 68
  72 conv    512     1 x 1 / 1      0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  73 conv   1024     3 x 3 / 1      1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  74 Shortcut Layer: 71
  75 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  76 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  77 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  78 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  79 conv    512      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x 512 0.177 BF
  80 conv   1024      3 x 3 / 1     1    13 x  13 x 512  ->  13 x  13 x1024 1.595 BF
  81 conv     18      1 x 1 / 1     0    13 x  13 x1024  ->  13 x  13 x  18 0.006 BF
  82 yolo
  83 route  79
  84 conv    256      1 x 1 / 1     0    13 x  13 x 512  ->  13 x  13 x 256 0.044 BF
  85 upsample            2x              13 x  13 x 256  ->  26 x  26 x 256
  86 route  85 61
  87 conv    256      1 x 1 / 1     0    26 x  26 x 768  ->  26 x  26 x 256 0.266 BF
  88 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  89 conv    256      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  90 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  91 conv    256      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x 256 0.177 BF
  92 conv    512      3 x 3 / 1     1    26 x  26 x 256  ->  26 x  26 x 512 1.595 BF
  93 conv     18      1 x 1 / 1     0    26 x  26 x 512  ->  26 x  26 x  18 0.012 BF
  94 yolo
  95 route  91
  96 conv    128      1 x 1 / 1     0    26 x  26 x 256  ->  26 x  26 x 128 0.044 BF
  97 upsample            2x              26 x  26 x 128  ->  52 x  52 x 128
  98 route  97 36
  99 conv    128      1 x 1 / 1     0    52 x  52 x 384  ->  52 x  52 x 128 0.266 BF
 100 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 101 conv    128      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
 102 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 103 conv    128      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x 128 0.177 BF
 104 conv    256      3 x 3 / 1     1    52 x  52 x 128  ->  52 x  52 x 256 1.595 BF
 105 conv     18      1 x 1 / 1     0    52 x  52 x 256  ->  52 x  52 x  18 0.025 BF
 106 yolo

网络结构结合代码定义解析

Keras YOLOv3代码详解（三）：目标检测的流程图和源代码+中文注释

1.2 多尺度预测

1.3 logistic函数替换softmax函数

1.4 训练过程

1.5 输出处理

1.6 总结

…

场景四:yolo v4

强推先看-----> yolo v4基础知识先导篇

yolo v4 论文地址

目标检测算法YOLOv4详解
【目标检测】单阶段算法–YOLOv4详解
深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解

1.1 网络结构

Yolov4可视化网络结构图




网络结构代码详解和损失函数详解参考博文

1.2 输入端创新

Mosaic数据增强

yolo v4基础知识先导篇—>场景二:Mosaic数据增强

大中小目标定义来源论文: Augmentation for small object detection


cmBN

【YOLO v4】Normalization: BN、CBN、CmBN

SAT

1.3 Backbone主干网络创新

CSPDarknet53

yolo v4基础知识先导篇—>场景五: CSPNet (2019)

Mish激活函数

yolo v4基础知识先导篇—>场景一:Mish激活函数

DropBlock

yolo v4基础知识先导篇—>场景三:DropBlock正则化方法

1.4 Neck创新

ssp

DC-SPP-YOLO

FPN+PAN

yolo v4基础知识先导篇—>场景六: FPN ; 场景七: PANet

1.5 Prediction创新

CIoU Loss损失函数

yolo v4基础知识先导篇—>场景四: CIoU Loss损失函数

DIOU_nms

yolo v4基础知识先导篇—>场景八: DIOU NMS

1.6 总结

…

场景五:yolo v5

一文读懂YOLO V5 与 YOLO V4​

深入浅出Yolo系列之Yolov5核心基础知识完整讲解

yolov5保姆级使用教程和源码解读

1.1 yolo v5 网络结构

1.2 yolo v5 输入端创新

Mosaic数据增强

yolo v4基础知识先导篇—>场景二:Mosaic数据增强

自适应锚框计算

自适应锚框

自适应图片缩放

github上基于yolov3对自适应图片进行缩放性能测试

1.3 yolo v5 Backbone主干网络创新

Focus结构

CSP1_X结构

yolo v4基础知识先导篇—>场景五: CSPNet (2019)

1.4 yolo v5 Neck创新

CSP2_X

1.5 yolo v5 Prediction创新

yolo v4基础知识先导篇—>场景四: CIoU Loss损失函数

yolo v4基础知识先导篇—>场景八: DIOU NMS

1.6 yolo v5 的四种结构

1.7 四种结构的转换

Yolov5s可视化网络结构图
Yolov5m可视化网络结构图
Yolov5l可视化网络结构图
Yolov5x可视化网络结构图

1.8 总结

目前yolov5的版本更新了6次，代码v3结构如下：

代码v6结构如下：

1.9 实践操作推荐

YOLOV5解析

使用YOLO V5训练自动驾驶目标检测网络

YOLOv5训练自己的数据集之详细过程篇

yolov5使用教程

…

场景六:pp-Yolo

pp-yolov1论文

pp-yolov2论文

PPYOLO：2020不容错过的目标检测调参Tricks

…

场景七:Yolox

yolox论文地址

深入浅出Yolo系列之Yolox核心基础完整讲解
yolox训练自己的数据集参考

1.1 前言

1.2 yolox-darknet53 网络结构

Yolox_Darknet53可视化网络结构图

yolox基础知识先导篇—>场景一: 基准模型：Yolov3_spp

1.3 yolox-darknet53 输入端

yolov4基础知识点—>场景二:Mosaic数据增强

yolox基础知识先导篇—>场景二:Mixup数据增强

1.4 yolox-darknet53 主干网络和Neck阶段

1.5 yolox-darknet53 Prediction阶段

Decoupled Head

yolox基础知识先导篇—>场景三:Decoupled Head



Anchor-free

yolox基础知识先导篇—>场景四:Anchor Based 和 Anchor Free


标签分类—>初步筛选


标签分类–> 细分方法:simOTA

1.6 yolox -s、m、l、x

yolox基础知识先导篇—>场景五:SiLU

Yolox_s可视化网络结构图
Yolox_m可视化网络结构图

Yolox_l可视化网络结构图
Yolox_x可视化网络结构图

1.7 轻量级网络Yolov4-Tiny和Yolox-Nano

Yolox_tiny可视化网络结构图

Yolox_nano可视化网络结构图

1.8 总结

1.9 不同的落地模型部署方式

1.10 思考

…

场景八:论文改进方向建议

…

场景九:资源下载

yolo v4

Yolov4作者Alexey

yolo v4 python版本的Tensorrt代码

YOLOv4的TensorFlow2.0实现

yolo v5

yolo v5 Github地址

yolox
yolox Github地址

数据集

强推---->数百种数据集汇总

口罩遮挡人脸数据集–>应用项目：人脸检测、人脸识别

Wider Face人脸数据集->人脸检测

Wider Person拥挤场景行人数据集->人体检测

论文
CVPR 2021 结果出炉！最新600篇CVPR’21论文分方向汇总

…

场景十:模型结构可视化神器——Netron

模型结构可视化神器——Netron(支持tf, caffe, keras,mxnet等多种框架)

you did it