YOLO、YOLOv2、YOLO9000和YOLOv3的发展过程

YOLO

yolo的基本思想是使用一个端到端的CNN直接预测目标的类别和位置，相对two-stage，yolo实时性高，但检测精度低。YOLO每个边界框只预测两个框，主体结构GoogLeNet，由24个卷积层和2个FC层组成。

YOLOv2

YOLOv2针对yolov1两个缺点：

• 低召回率
• 低定位准确率

改进：

• YOLOv2在卷积层后添加了BN，加快收敛速度，防止过拟合
• v2的卷积特征提取器在进行检测任务之前，先在高精度图片上调优10个批次，这样能使检测模型提前适应高分辨率图像
• v2采用k-means算法进行聚类获取先验框大小，聚类没有采用欧式距离，而是采用1 - IOU ，这样使其更适合于检测任务。
• v2直接在预先设定的anchor上提取特征，YOLO使用卷积神经网络作为特征提取器，v1是anchor-free，v2则借鉴Faster R-CNN思路采用anchor-based
• v2将图像 448 x 448变为416 * 416，经过32倍下采样后，图像变为13*13，长宽都是奇数，可以有效地识别出中心
• v2 将不同大小的特征图结合起来做物体检测，具体来说将最后一个池化层的输入 26 * 25 _512 经过Passthrough Layer变成13_13_2048，再与池化后的13_13*1024结合起来一起进行物体检测
• v2使用不同尺寸图片同时训练网络，每10个epoch就改变输入图像的大小
• v2采用darknet-19，采用3*3卷积核，共有19层卷积层和5个池化层

YOLO9000

YOLO9000号称可以实时检测9000种物体，主要贡献是使用检测数据集和分类数据集进行联合训练。

YOLOv3

V3在V2基础上做了如下改进：

• 二元交叉熵损失函数，更好地支持多标签检测。主要是由于之前，检测数据可能存在一些语义上重叠地标签，但softmax函数基于一种假设，即每个检测框内的物体只存在一个类别。
• 采用Darknet-53，包含53个卷积层，采用残差链接来解决梯度消失问题，同时还采用FPN结构，分成三个head来检测不同尺寸物体。