1 歷史簡介

2 YOLO算法思想

YOLO算法的基本思想：
（1）將圖片劃分為$S\times S$個網格；
（2）計算每個邊界框和置信度；
（3）計算每個網格屬于某個類別的概率；
（4）根據上述的計算結果來獲得最終的目標檢測。

（1）計算每個邊界框的坐標$t_x,t_y,t_w,t_h$；
（2）計算每個邊界框的目標性得分；
（3）計算每個邊界框的類別得分；
（4）上述計算構成一個邊界框的屬性；
（5）再將多個$B$邊界框的這些屬性進行多尺度融合。

3 YOLO家族

3.1 Yolo v1

3.2 Yolo v2

3.3 Yolo v3

3.4 Yolo v4

Yolo v4在Yolo v3的基礎上做了如下改進：

• 輸入端采用mosaic數據增強
• Backbone上采用了CSPDarknet53、Mish激活函數、Dropblock等方式。（cspnet減少了計算量的同時可以保證準確率）
• Mish函數為
  $$\text{?Mish?}=x?\tanh \left(\ln \left(1+e^x\right)\right)$$
  
  橙色曲線為：$\ln (1+e^x)$
  藍色曲線為：Mish函數
  為什么采用mish函數？可能也是最重要的，目前的想法是，平滑的激活函數允許更好的信息深入神經網絡，從而得到更好的準確性和泛化。
• Neck中采用了SPP、FPN+PAN的結構
• 輸出端采用CIOU_Loss、DIOU_nms操作。

3.5 Yolo v5

算法性能測試圖：

Yolov5s網絡最小，速度最少，AP精度也最低，訓練后的模型十幾M大小，速度很快，可用于嵌入式設備。Yolov5m、Yolov5I和Yolov5x在此基礎上，不斷加深加寬網絡，AP精度也不斷提升。

總結

以上是生活随笔為你收集整理的Yolo家族算法分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。