甘肃省建设厅网站资质升级公示教学网站开发背景及意义

物体检测--YOLO系列

一、YOLO版本演化史简介

物体检测的大思路大原则是：
一是在图像中提取特征。提取特征一般就是用卷积网络CNN来提取了。
二是，在2015年之前的物体检测模型，比如Faster-rcnn/Mask-Rcnn系列,都是two-stage模型,就是先在原图中随机找一些子区域，然后把特征再映射回子区域，那么这个子区域就是模型检测到的物体区域。2015年yolo诞生后，就是one-stage模型，You Only Look Once，就是压根就不随机生成子区域了，让cnn网络直接回归出物体区域的坐标(x,y,w,h),就算是检测到目标了。

1、YOLO-v1版本：
逐窗口遍历检测，就是比如我把图像划分为9个区域，然后每个区域用判别模型判断是否有我要检测的物体，然后9个区域返回9个置信度confidence，而且每个区域我还返回一个框(x,y, w,h),就是我要返回5个值，这样我就有置信度，而且还可以画框来框住我检测到的目标。

2、YOLO-v2版本：
因为我们要检测的目标可能是大的也可能是小的，可能是胖的的也可能是瘦的，v1版本把整个图片平均分词9个区域，岂不是太不合理了。所以v2版本的目标是我要尽可能的、随机的、多多的、在图像上找一些子区域，然后逐个判别这些子区域-置信度、画框。所以v2研究的都是如何可以更快更好的提取多个随机子区域的问题。

3、YOLO-v3版本：
用卷积网络来卷积图片时，卷积到最后一层的特征肯定都是原图中的大目标的特征，小目标在一次次卷积中早就丢失了，所以v3的目标是如何把小目标也检测出来？，所以v3改动了v2的卷积网络架构，就是把浅层的、中层的、的卷积输出也concat到输出，就类似Unet的架构，这样就可以把大中小目标统统检测出来了。

4、YOLO-v4版本：
v4从数据层面探索是否还可以继续提升模型效果？它的细化的地方有：
一是，以前我们是一张张图片进行检测的，现在v4一次把4张图片拼到一起，一次检测4张图片。
二是，v4提出了一个DropBlock小技巧。我们之前的dropout是随机选择点dropout掉，现在v4是一次drop一个图像的子区域。
三是，v4还对标签也提出一些小技巧：Label Smoothing。以前我们的标答不是0就是1，现在v4把标答都改成比如0.05，0.95这种比较模糊的标答。目的是防止过拟合的。就是模型即使把这个类别判断的非常正确，那这个类别的概率上限也是0.95，就是不要太精确，防止过拟合。适用label smoothing后，分类后的簇内更紧密，簇间更分离。就是分类效果更好了。

四是，v4还对损失函数也进行了tircky，从IOU Loss-->GLOU损失-->DIOU损失-->CIOU损失。

五是，之前使用NMS来决定是否要删除一个框，现在改用DIOU-NMS
六是，使用柔和一点的SOFT-NMS，更改分数而非直接剔除。
七是，Bag of specials(BOS)
八是，SPPNet(Spatial Pyramid Pooling)，因为输入网络的图片大小不一就没法卷积啊，SPPNet就是用最大池化来满足最终输入特征一致即可。
九是，CSPNet(Cross Stage Partial Network)
十是，CBAM，就是加入注意力机制。

5、YOLO-v5版本：v5是v4的一个工程版项目。
6、YOLO-v6/v7版本：
v6和v7两个版本之间的时间就差一周。所以二者差别不大。
其中v7主要的改进就是RepVGG：就是用残差网络替换了VGG，来进行推理加速。此外重参数化的作用就是加速省显存。

所以v7就是做了两件事情来加速：一是统一卷积核尺寸，所有卷积核都变成3x3的。二是所有分支合并，就一条分支。

7、YOLO-v8版本：
v8是官方做的，代码写得比较好，项目优化得也比较好，所以效果是要比v9 v10要好。所以我们做工程做项目一般都以v8为基准模型来对比和更改。
v8可以说是视觉领域的一个模板了，它不仅可以做目标检测，还可以分隔(就是逐点预测)、分类、姿态估计，这些任务v8都是可以做的。 也所以YOLO就是一个通用的特征提取框架，就是可以提取图片中特别好的特征，至于你想拿着这些特征是分类还是干什么，你就自己决定了。
此外，v8对新手是比较友好的，因为没有太多的源码级别的东西，很多东西直接调用即可：一是你要指定一下配置文件，二是如果你想改动的地方，加到源码文件的683行的位置：

8、YOLO-v9/v10版本：
v9的论文是《YOLOv9:Learning What You Want to Learn Using Programmable Gradient Information》,从名字就可以看出，v9就是把使用了跳跃链接，让梯度回传的更快一些。就是求梯度的时候，将loss和浅层也连上，这样梯度就可以从loss直接回传到浅层了。
9、YOLO-v10版本：主要的提升就是代码底层的运行效率。是提升效率不是提升效果的。

算法--论文--源码--应用

2015年之前的图像检测任务，流行的模型都是两个阶段的two-stage:Faster-rcnn/Mask-Rcnn系列
此后就是一阶段one-stage:YOLO系列
one-stage的核心优势就是速度非常快，所以适合做实时检测任务，而two-stage的模型是完全做不了视频检测的。但YOLO的缺点是通常情况下效果不会太好。

二、走进YOLOv1的细节

1、模型效果指标：mAP指标
mAP（mean Average Precision）在目标检测领域，是十分重要的衡量指标，用于衡量目标检测算法的性能。
该指标在所有IoU阈值上单独计算每个类的平均精度(AP),然后该指标对所有类别的mAP进行平均以得出最终估计值。
map值越高越好。

补充：对很多机器学习初学者来说，本来二分类问题的模型评估其实很简单，无非就是预测结果对了，或者预测结果错了，但是围绕这个结果衍生出来了很多指标：准确率、精确率、查准率、查全率、真阳性率、假阳性率、ROC、AUC、PRC、KS、F1……，不胜其烦，下面两个图对这些指标统一描述一下：

2、YOLOv1的整体思想与网络架构
You Only Look Once, YOLO是经典的one-stage方法，就是把检测问题转化成回归问题，一个CNN就搞定。

3、损失函数

4、NMS(非极大值抑制)

4、YOLOv1的缺点
一是，重叠的物体检测不到。一个网格只能预测一个类别！如果一个网格对应的图像是只狗，是我们要检测的对象，但是这只狗重叠的区域还有一只高度一样的猫，这只猫也是我们要检测的对象，那是不是就无法检测出来了。
二是，小物体可能就检测不到！因为候选框bounding box的长宽比可选单一，只有两个候选框嘛。
三是多标签也不好做！

三、走进YOLOv2的细节

待续。。。。