YOLO大家族中的一点总结,新开坑持续更新中~一、目标检测算法简介二、YOLO系列中输入侧，Backbone，Neck，Head，Tricks的特点先上个YOLO论文代码大合集（截止22年11月）三、YOLOV1

目录【一】YOLO系列中输入侧结构的特点【二】YOLOv1输入侧解析【三】YOLOv2输入侧解析【四】YOLOv3输入侧解析【五】YOLOv4输入侧解析【六】YOLOv5输入侧解析【七】YOLOx输入侧解析

论文题目：《YOLOv4:OptimalSpeedandAccuracyofObjectDetection》论文地址：https://arxiv.org/pdf/2004.10934.pdf一文读懂YOLOv1

目录YOLOv1理论简单介绍：论文思想：YOLOv1的整个网络结构：损失函数部分：YOLOv1存在的一些问题：YOLOv2理论简单介绍：YOLOv2中的各种尝试（在原论文中的Better章节）举个例子来理解

目录0.思路不同于以往的滑窗检测方法,YOLOv1另辟蹊径,将检测问题认为是对boundingbox中心坐标点以及包围框长宽的回归和对每个包围框的分类。并且YOLO方法因为包含更少的背景，假阳率低。

YOLOv1开山之作，简单粗暴，主打就是快，直接运用回归进行一步预测。在VOC2007数据集中，基本模型45FPS

YOLOv1学习笔记我理解的YOLOv1是这样的，就是先用一个卷积网络+两层全连接层，最终生成一个7x7x30的tensor，之后计算置信度之类的都是在损失函数中完成的。

Yolov1-v4文章目录Yolov1-v4一.Yolo是什么？（一）目标检测（二）Yolo系列二.Yolo的演进（一）Yolov11.Yolov1思想2.Yolov1检测过程IOU3.Yolov1网络结构4.Yolov1训练过程1）分类预训练2）目标检测训练置信度p损失函数5.Yolov1推理过程1）模型推理2）后处理：非极大值抑制6.YoloV1缺点（二）Yolov21.YoloV2模型结构2

导读目标检测Yolo算法是非常经典且应用广泛的算法，而在Yolo中，又分成了输入端、网络推理、输出层，每个部分都可以延伸出很多的优化方式，本文主要从Yolov1~v7各个版本的Backbone，Neck

官方源码仓库，目前更新到v6.1：https://github.com/ultralytics/yolov5如果对YOLO系列没有了解：YOLO系列理论合集(YOLOv1~v3)YOLOv4网络详解1YOLOv5

yolo是单阶段检测算法的开山之作，最初的yolov1是在图像分类网络的基础上直接进行的改进，摒弃了二阶段检测算法中的RPN操作，直接对输入图像进行分类预测和回归，所以它相对于二阶段的目标检测算法而言，

YOLO系列理论合集(YOLOv1~v3)（1）找一个讲解视频，对网络有一个大概的印象（2）阅读网络的原论文：可能会有讲解视频里没有的细节（3）去github上面搜索网络名称，挑选star比较多而且作者经常更新的代码仓库

抽空总结一下Yolov1和Faster-r-cnn的区别。

https://www.bilibili.com/video/BV15w411Z7LG?p=10&spm_id_from=pageDriverhttps://www.bilibili.com/video/BV15w411Z7LG?p=10&spm_id_from=pageDriverhttps://www.bilibili.com/video/BV15w411Z7LG?p=10&spm_id_fr

https://www.bilibili.com/video/BV15w411Z7LG?p=4https://www.bilibili.com/video/BV15w411Z7LG?p=4https://www.bilibili.com/video/BV15w411Z7LG?p=4感谢子豪兄的无私分享感谢子豪兄的开源奉献精神前言：之前利用yolov3模型,迫于没有好设备的现状，在不使用类似于pyc

anchor，gridcell数量为奇数限制预测框位置损失函数细粒度特征Multi-ScaleTraininganchor、DimensionClusters、Directlocationprediction在YOLOv1

首先看YOLOV1的网络结构，感觉就是普通的卷积神经网络：最终输出是一个7*7*30的黑盒子，把它想象成一本7*7大小的有着30页的一本书。

YOLOv1训练阶段YOLOv1在训练时，权重朝着什么方向更新呢？

YOLOv1（预测过程）输入：448*448*3图像输出：7*7*30张量具体步骤：输入：一、图向分为7*7网格，每个小格称为一个gridcell二、每个gridcell能预测出如下：2个boundingbox

一、网络结构①首先经过一个VGG主干网络提取特征，这里的主干网络可以自己选择，使用resnet也可以。②reshape为一维，然后进行全连接，in_dim=25088，out_dim=4096，需要注意的是这里的25088是由51277得到的，而不同大小的图像经过主干网络提取特征后的大小也是不一样的，所以如果输入的图像大小不是448的话，就需要修改这里的in_dim。③第二个全连接层，in_dim

YOLOv1目标检测算法目标检测=识别+定位  RCNN，FastRCNN，FasterRCNN都是先提取候选框再送入检测网络，忽略了全局的信息。

一、Backbone二、NeckNetwork三、DetectheadYOLOv2相对于YOLOv1的改进：改进之一：BatchNomalizationYOLOv2在每个卷积层后都加入了BN层，BN层既能加快模型的收敛速度

文章目录1.前言2.目标检测3.预测阶段（前向传播）3.1细致讲解3.2立体图讲解3.3举例讲解4.预测阶段-后处理5.训练阶段（反向传播）1.前言YOLOv1论文YOLO=YouOnlyLookOnce

什么是YOLOv1?

YOLOv1训练阶段可参考后文：https://blog.csdn.net/baidu_41906969/article/details/122176278YOLOV1预测阶段（前向传播）24层卷积层提取图像特征

各位同学好，今天和大家分享一下YOLOV1目标检测的原理。1.预测阶段--前向传播预测阶段就是在模型已经成功训练之后，输入未知图片，对图片预测。此时只需要前向传播运行这个模型。

我在看YOLOv1的时候，发现自己虽然会用，也刷了很多视频，但是总感觉关于YOLOv1有些东西似懂非懂，所以想在这里再次给自己理清一下思路。

一、开山之作：YOLOv11.1简介在YOLOv1提出之前，R-CNN系列算法在目标检测领域独占鳌头。

yolov3是在yolov1与yolov2基础上修改后的end-to-end的目标检测算法。

本文主要讲v3的改进，由于是以v1和v2为基础，关于YOLO1和YOLO2的部分析请移步YOLOv1深入理解和YOLOv2/YOLO9000深入理解。

其中yolov1论文地址：https://arxiv.org/pdf/1506.02640.pdfdarknet

第一部分：原理详解目标检测之YOLO算法：YOLOv1,YOLOv2,YOLOv3,TinyYOLO，YOLOv4,YOLOv5,YOLObile,YOLOF,YOLOX详解目标检测比赛中的tricks

YOLOv1主要思想1、将图片划分为s×s的网格，待检测的目标中心点位于哪个网格中，就由哪个网格来负责检测他，论文中每个网格设定了2个框，也就是让2个框来同时拟合一个目标框，所以当网格中存在目标时，那么该网格中的预测框的目标值即为这个目标框的值

YouOnlyLookOnce:Unified,Real-TimeObjectDetection目录一、摘要二、结论三、介绍YOLO四、UnifiedDetection（统一检测）五、NetworkDesign六、训练和推断（1）训练（2）推断七、YOLO的局限性八、文章中的一些表格和图像一、摘要我们提出了YOLO，一种新的目标检测方法。先前的目标检测工作使用分类器来执行检测。相反，我们将目标检测

上一节总结了目标检测任务的onestage的三个代表性算法：SSD、RetinaNet以及YOLOv1（anchorfree），本节将总结YOLOv2的网络亮点和设计细节。

YOLOv2是YOLO的进阶版，它没有彻底否定YOLO，而是在YOLOv1的基础上，融合了很多其它论文优秀的思想做了大幅的提升。YOLO作者概括了从3个方面入手：更好更快更强1.如

参见：【目标检测论文阅读】YOLOv2-知乎二、更快更准：YOLOv22.1简介2017年，作者JosephRedmon和AliFarhadi在YOLOv1的基础上，进行了大量改进，提出了YOLOv2和

yolov1的缺点：对小目标，密集目标检测能力比较差；定位能力比较差；将所有目标全部检测出(recall)的能力较差；（1）BatchNormalization.

论文题目：《YOLO9000:Better,Faster,Stronger》论文地址：https://arxiv.org/pdf/1612.08242.pdf一文读懂YOLOv1：YOLOv1一文读懂YOLOv3

目录前言YOLOv11.技术路线2.关于如何通过设计网络来实现YOLOv1预测bbox的思想3.一些值得强调的实现细节YOLOv21.在精度上的改进2.在速度上的改进YOLOv31.网络结构的变化2.其他改进卷积层代替池化层置信度和分类变为分类任务前言

目录前言1.边界框预测2.多类别标注与分类3.多尺度目标检测4.网络架构前言对应YOLOv1论文解读：YouOnlyLookOnce:Unified,Real-TimeObjectDetection（Yolov1

YOLO：YouOnlyLookOnce（你只需看一次）DetectionasRegression把系统将输入图像分割成S×S网格。如果一个物体的中心落在一个网格单元中，该网格单元负责检测该物体。每个网格单元格预测Bboundingboxes和这些框的confidencescores。这些置信度评分(confidencescores)反映了模型对boxes中包含对象的置信度，以及模型对盒子的预测准

Name：YOLOv1：YouOnlyLookOnce:Unified,Real-TimeObjectDetectionAuthor：JosephRedm

YOLO系列:yolov1精读yolov2精读yolov3精读论文题目:YouOnlyLookOnce:Unified

YOLO精读笔记论文题目：YouOnlyLookOnce:Unified,Real-TimeObjectDetection我的总结文中实现的是先将图像划分成7*7的网格，每个网格生成2个预测边界框，每个边界框又包括中心点位置坐标和宽高以及是不是一个物体的置信度；同时网格又会得到一个概率，即假设它已经包含物体的情况下它属于某一个类别的概率。最终该网络输出的是一个7*7*30的张量，其中7*7对应图像

论文介绍​题目：YouOnlyLookOnce:Unified,Real-TimeObjectDetectionDOI：10.1109/CVPR.2016.91时间：2015-6-8上传于arxiv会议：2016-CVPR机构：美国-华盛顿大学作者：JosephRedmon、SantoshDivvala、RossGirshick论文链接：https://arxiv.org/abs/1506.026

Abstract我们提出了一种新的目标检测方法YOLO。先前在目标检测方面的工作是重新利用分类器来执行检测。相反，我们将目标检测框架为一个回归问题，以确定空间分离的边界框和相关的类概率。一个单一的神经网络在一次评估中直接从完整的图像中预测边界框和类的概率。由于整个检测管道是一个单一的网络，因此可以根据检测性能直接进行端到端优化。我们的统一体系结构运行的速度非常快。我们的基础YOLO模型以每秒45帧

论文：https://arxiv.org/pdf/1506.02640.pdf关于代码，不是很推荐跑yolov1的代码，学yolov1主要还是为学习后面的yolo算法打个基础，代码跑v5或v7的就可以了

Yolov1-pytorch版论文、原理及代码实现Yolov1论文、原理、代码实现1、论文2、原理2.1目标检测方法2.2相关名词解释2.3网络结构设计分析2.4损失函数3、PASCALVOS2007和

yolov1,v2,v3的作者是美国的JosephRedmon，被人称为yolo之父，但是由于其反对将yolo用于军事和隐私窥探，2020年2月宣布停止更