YOLO v1,v2,v3总结

YOLOv1

相比于两步法，yolo v1用网络直接回归出目标框和框置信度得分并对类别进行分类，没有提取建议区域的步骤，比两步法更快（可以将yolo v1看作是faster rcnn中的RPN网络的高精度版）。
从另一种角度理解，yolov1将图像分为了77共49个grid，输出的张量为77*30，分别对应每个grid，这其实就是粗暴地将划分出地grid作为建议区，然后执行两部法的第二部对其进行回归和分类。

上图为对应某grid cell的输出张量，对应输出内容，损失函数分为框置信度损失、框定位损失和分类损失，损失函数如下图所示：

计算损失前首先根据标签确认是前景还是背景，如果是背景，则只计算置信度损失；如果是前景，则继续计算定位损失和分类损失。但这个损失计算的方式存在一个问题，那就是无法应对背景较多的情况，因为当背景较多时，置信度损失在反向传播的过程中占据了较大的比重，往往会影响到定位损失和分类损失的反向传播，尽管作者对置信度损失乘了一个小于1的系数，但无法根治此问题。所以yolo对于目标较少的情况不友好，而rcnn则对此问题免疫。
另外，yolo v1对小目标也不友好，因为它的网络只是单纯地进行下采样提升感受野，但是没有多种尺度的特征的拼接，损失了大部分细粒度信息，所以对小目标的检测有天然的劣势，后续的yolo版本通过多种尺度的拼接来提升小目标的检测效果。

YOLO v2

yolov2从各个维度对yolov1做了改进。
首先批次归一化BN的出现，大大提升了模型的泛化能力和训练速度，yolov2将其引入。
为解决yolov1小目标效果较差的问题，yolov2对中间层不同尺度的特征进行拼接，利用更细粒度的特征来提升小目标检测的性能。

另外，yolo v2去除了全连接层，一卷到底，一是减少了参数提升了速度，二是获取更多的空间信息，三是对输入图像的尺寸不受限制，可以输入多种尺度的图像进行多尺度训练。

相对于yolov1直接回归目标框，yolov2增加了anchor box，即通过k-means对数据集中的gt框进行聚类得到五个锚定框，然后预测相对于锚定框的偏移量。这种做法其实是引入了数据集的先验信息，让网络学到这些信息并在这些信息的基础上进行预测。

YOLO v3

为进行非互斥的类别预测，yolov3使用多个独立的逻辑分类器进行类别预测，即使用sigmod代替softmax，对每一个输出计算二元交叉熵损失。

为进一步提升小目标检测能力，yolov3在多尺度特征融合上做了改进，使用了FPN网络进行三个不同尺度特征的融合（类似于U-Net），并在上采样部分的三个尺度的特征输出口分别接检测头，三个检测头分别负责大中小三种粒度的目标的检测。