YOLO 基础知识梳理

参考资料1：YOLO系列演化历史

参考资料2：深入浅出Yolo系列之 Yolov3 & Yolov4 & Yolov5 & Yolox9

YOLO是目标检测中非常经典的模型，但是其发展演化非常之快让人有点摸不清其脉络。这次内容安全实验课需要用到YOLOv8模型，我顺便将YOLO系列的原理都整理一遍。

基础知识

整个YOLO模型由三个部分组成：

"backbone" 指的是骨干网络，负责提取特征；
"neck" 指的是位于骨干网络之后的模块，用于进一步处理特征；
"head" 指的是位于模型顶部的部分，执行特定任务并生成最终的预测结果。

YOLO v1

YOLO v1 的结构比较简单，可以分为两个部分理解：

第一个部分用于提取特征，即 backone
第二个部分用于预测目标（维度信息为：7 * 7 * 30 ），即 head

7 * 7 是特征图大小，30 是预测目标信息。具体来说 30 = 5 * 2 + 20 ，其中的 5 * 2 表示（X，Y，H，W，C）* 框的数量，20 表示支持20中类别。这些信息包含了框的位置、置信度和类别。

这样可以设计出其损失函数，主要分为：坐标损失、置信度损失、类别损失。

YOLO v2

YOLO v2 在第一版的基础上增加了很多改进：

重点分析下面的几个改进：

Batch Normalization：可以提升模型收敛速度，起到正则化的作用，降低模型过拟合，训练更稳定
Backbone模块，使用DarkNet-19，降低了计算量
Neck模块，将不同尺度的特征进行融合（Fine-Grained Features），从而提高模型的泛化能力
Head模块，用卷积替换全连接，因此可以使用各种尺度（32的倍数）的图像进行训练
Anchor Box：使用聚类（Dimension Clusters）得到预设框的尺寸，提高目标的定位准确率。

YOLO v3

What’s new in YOLO v3? 图上非常清楚了，感觉挺好理解的，和v2非常像，就融入了一些小技巧。不过和v2图画的不一样，容易让人误解最后prediction有三个，其实最后会concat，所以还是和v2一样。 Backbone换成了DarkNet-53，v3 最显着的特点是它以三种不同的尺度进行检测。

YOLO v4

输入端：主要包括Mosaic数据增强、cmBN、SAT自对抗训练
BackBone：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock（随机删除减少神经元的数量，使网络变得更简单，Dropout在卷积层上效果并不好）
Neck：目标检测网络在BackBone和最后的输出层之间会插入一些层，比如SPP模块、FPN+PAN结构