Yolo家族算法分析

1 历史简介

2 YOLO算法思想

YOLO算法的基本思想：
（1）将图片划分为

S

×

S

S \times S

S×S个网格；
（2）计算每个边界框和置信度；
（3）计算每个网格属于某个类别的概率；
（4）根据上述的计算结果来获得最终的目标检测。

（1）计算每个边界框的坐标

t

x

,

t

y

,

t

w

,

t

h

t_x, t_y, t_w, t_h

tx​,ty​,tw​,th​；
（2）计算每个边界框的目标性得分；
（3）计算每个边界框的类别得分；
（4）上述计算构成一个边界框的属性；
（5）再将多个

B

B

B边界框的这些属性进行多尺度融合。

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的基础上做了如下改进：

• 输入端采用mosaic数据增强
• Backbone上采用了CSPDarknet53、Mish激活函数、Dropblock等方式。（cspnet减少了计算量的同时可以保证准确率）
• Mish函数为
  

   Mish 

  =

  x

  ∗

  tanh

  ⁡

  (

  ln

  ⁡

  (

  1

  +

  e

  x

  )

  )

  \text { Mish }=x * \tanh \left(\ln \left(1+e^{x}\right)\right)

   Mish =x∗tanh(ln(1+ex))
  
  橙色曲线为：

  ln

  ⁡

  (

  1

  +

  e

  x

  )

  \ln(1+e^{x})

  ln(1+ex)
  蓝色曲线为：Mish函数
  为什么采用mish函数？可能也是最重要的，目前的想法是，平滑的激活函数允许更好的信息深入神经网络，从而得到更好的准确性和泛化。

• Neck中采用了SPP、FPN+PAN的结构
• 输出端采用CIOU_Loss、DIOU_nms操作。

3.5 Yolo v5

算法性能测试图：

Yolov5s网络最小，速度最少，AP精度也最低，训练后的模型十几M大小，速度很快，可用于嵌入式设备。Yolov5m、Yolov5I和Yolov5x在此基础上，不断加深加宽网络，AP精度也不断提升。

版权声明：本文为CSDN博主「HenrySmale」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/search_129_hr/article/details/121756657