YOLO系列笔记（YOLO v1-v3）

v1:

you only look once

2016CVPR

45FPS 448*448

63.4mAP

1、将一幅图像分成SxS个网格(grid cell)， 如果某个object的中心 落在这个网格 中，则这个网格就负责预测这个object。

2、每个网格要预测B个bounding box，每个bounding box 除了要预测位置之外，还要附带预测一个confidence值。 每个网格还要预测C个类别的分数。

7*7*30

4:box1(x,y,w,h)

1:confidence1

4:box2(x,y,w,h)

1:confidence2

20:class scores

confidence：预测目标与真实目标的iou*(0or1)

bounding box损失：大小不同目标的误差是由wh带来

存在问题：

1、群体型小目标检测效果很差两个bbox（针对7*7）属于同一类别

2、目标出现新的尺寸和配置时预测效果很差

3、错误原因主要来自定位不准

v2

yolo9000:better,faster,stronger

1、batch normaliazation训练收敛有帮助，对模型起正则化的作用，省去dropout操作

2、high resolution classifier更高分辨率分类器

3、convolutional with anchor boxes简化预测问题，更加容易学习

4、dimension clusters对训练集目标边界框采用k-means，更加容易学习（fasterrcnn）

5、direct location prediction，采用anchor会使模型不稳定尤其在前期，不稳定因素主要来自于预测目标边界框中心坐标xy，限制坐标信息

6、fine-grained features高层特征与底层特征进行融合

7、multi_scale training多尺度训练，每10个epoch随机更改图像尺寸

backbone：darknet-19(19个卷积层)

convolutional：conv2d+bias+reakyrelu，卷积层不包含偏执

training for detection：for voc 5 个bboxes*5个参数

v3

yolov3:an incremental improvement

2018 cvpr

backbone:darknet-53

卷积层替换maxpooling：没有池化层，卷积+bn+leakyrelu layer

残差结构：1*1卷积+3*3卷积再于输入相加

预测：三个预测特征层*三个尺度（聚类算法）

N*N*[3*(4+1+80)]：三个尺度*（4个偏移参数+1个confidence分数+coco数据集80个类别）

类别损失：二值交叉熵损失、

定位损失：sum of squared error loss\

v3 ssp

1.mosaic图像增强，多张图像拼接一起训练。增加数据多样性，增加目标个数，bn能一次性统计多张图片的参数。

2.spp模块，借鉴了sppnet的spp结构，实现了不同尺度的融合

3.使用ciou计算损失（更快收敛，达到更高精度）（iou、giou、diou）

回归定位损失应考虑（重叠面积iou，中心点距离diou，长宽比ciou）

4.focal loss前景和背景极度不平衡的情况