YOLO系列概述（yolov1至yolov7）

YOLO系列概述（yolov1至yolov7）

参考：

1. 睿智的目标检测53——Pytorch搭建YoloX目标检测平台
2. YoloV7

yolo的发展历史

首先我们来看一下yolo系列的发展历史，yolo v1和yolox是anchor free的方法，yolov2，yolov3，一直到yolov7是anchor base的方法。首选我们来回顾下每个版本的yolo都做了些什么

yolo v1是将$416\ast 416$的图片，分成了$7\ast 7$的网格，每个网格默认回归两个object，也就是最终预测一个长度为SS(B*5+C)的向量，这里$s=7,b=2$，c是class的类别数量。

那么这里引入一个问题，为什么yolox也是anchor free的方法性能好，而yolo v1性能偏弱呢？这里主要是因为yolox与centernet类似，通过预测中心点，使得模型的预测更为准确。对于yolox会有一个featuremap表示某个位置是中心点的概率，而中心点比起长宽更能表示一个物体的特征。

我们再来看yolov2，因为此时faster rcnn的兴起，在faster rcnn中 最后一层featuremap每个位置可以回归9个anchor，而anchor作为先验知识发挥了巨大的作用，因此引入了yolov2中，当然yolov2也提出了一些训练模型的技巧，比如先训练分类等等。并且因为anchor的存在，在一定程度上解决了yolo的小目标问题。

yolov2之后就到了yolov3，当时fpn的诞生，又进一步解决了小目标问题，由于对于小目标来说经过多层卷机之后feature可能就不见了或者很小了，那么就考虑到，浅层的特征范围还比较大，如果能把浅层特征和深层特征concat到一起，就既有了表层特征又有了语义特征，因为fpn的加入 yolov3取得了较好的性能。

yolov4和yolov5值得一提的除了backbone改进之外，在数据增强上也做了创新，比如mosaic，mixup等方法的引入。其中mosaic指的就是将四张图片拼接成一张用于目标检测，这种方法的优点在于丰富的背景信息有助于检测，而mixup是将两张图片加和到一起。并且neck部分，作者也用了panet的方法，不仅仅通过两次上采样cancat，在此基础上又用了两次下采样。这样可以将特征更有效的融合到一起。

yolox和yolov7将在后面详细介绍.

yolox

首先，yolox在backbone部分引入的focus网络，类似于pooling的策略，但是他没有像maxpooling一样把小的feature丢掉，而是隔一个位置取一个值后堆叠到channel中，因为我们知道通道数越高，表征能力越强。

再次我们看一下作者用silu替换了relu，silu的优势在于它是全局可导的，不存在不可导的0点。

另外，在backbone部分，我们可以得到的启示就是，怎样将小的conv+bn+silu组成的基本卷积结构构造成不同类型的残差结构。

另外，在head部分，作者认为yolov3中的类别和坐标放到一个$1\ast 1$卷积得到，会相互影响。因此把它分成两个分支。

最后，SimOTA就是一个动态分配正样本的算法，将预测框中十个iou最大的值加起来，近似得到的值就是将用来训练的正样本数量。这一方法也在后续的yolo中被使用。

yolov7

22年夏天，又有大神提出了yolov7，可以看到同等fps下，ap比yolox可以提高5个点，那么我们就来看看有什么创新。

首先在backbone中，我们可以看到，其实作者改进的E-ELAN只是将原来4倍通道提高到了8倍，所以这也印证了我们之前说的，高通道有更强的特征表达能力。而E-ELAN没有采用残差的加和方式，而是采用了堆叠的方式，毫无疑问计算量更大，但是表征力更强，如果考虑轻量化，或许可以考虑改成加和的方式。

另外在检测头部分采用的rep网络，当训练时，有三个分支，分别是$1\ast 1$卷积，$3\ast 3$卷积，和只有bn三个分支，但是预测时候，只保留主分支$3\ast 3$分支，这就比较像dropout，它会让一部分节点失活，或许可以起到跟dropout同样的作用，减少过拟合。