YOLO发展历程及网络架构通俗解读 

算法的优点

从算法原理来说实现起来非常容易，当前很多算法均可做物体检测，但他们消耗的资源过多，一些嵌入设备无法达到要求。

在大型项目中应用广泛，速度快，可实时行为检测视频，而不仅仅为图片。

yolo创造性的提出了one-stage，解决了传统two-stage目标检测算法普遍存在的运算速度慢的缺点。将物体分类和物体定位在一个步骤中完成。

算法发展历程

·              2016年发表论文：You Only Look Once：Unified，Real-Time Object Detection。YOLOv1正式发布。

        论文链接：https://pjreddie.com/media/files/papers/yolo_1.pdf

·              2017年发表论文：YOLO9000: Better, Faster, Stronger。YOLOv2正式发布

        论文链接：https://pjreddie.com/media/files/papers/YOLO9000.pdf

·              2018年发表论文：YOLOv3: An Incremental Improvement。YOLOv3正式发布

        论文链接：https://pjreddie.com/media/files/papers/YOLOv3.pdf

·              2020年发表论文：YOLOv4：Optimal Speed and Accuracy of Object Detection。YOLOv4正式发布

         论文链接：https://arxiv.org/abs/2004.10934

网络架构

YOLOv1框架解读

       由图可知，YOLOv1处理数据的过程为：

       输入层输入数据->卷积层（conv）提取数据特征->特征图（由于本篇博客仅为新手了解YOLO算法基本架构提供帮助，因此，卷积层不作详细说明）

输入数据448×448×3详解：

  448×448为输入图片的大小（图片的长宽）


  3表示红黄蓝三原色

输出数据7×7×30详解：

  7×7表示输出特征图片大小（图片长宽）

  30=5+5+20

  20：当前可识别20种物体，每种物体对在输出特征图片中都对应着一定的概率，输出特征图选取概率最大的物体作为目标识别结果

  5：在识别目标物体时，选择框对应的5个参数确定先验框大小和位置的（x,y,w,h)和置信度c。由于YOLOv1为每个目标识别物体提供两种先验框，因此对  应参数为：5+5.          注意：x:先验框中心横坐标；y:先验框中心纵坐标；w:先验框宽度；h：先验框高度。

YOLOv2改进框架解读

YOLOv1仅提供两种先验框，因此在目标识别过程中有一定的局限性，因此YOLOv2在v1的基础上提出了聚类提取先验框，如下图所示的五种候选框，它们的大小由聚类先验值决定。




           



除此之外，YOLOv2训练时额外增加了10次448×448的微调，使用了高频率分类器。


做了以上改动后YOLOv2的mAP值提高了4%左右。

YOLOv3改进框架解读

YOLOv3在YOLOv2的基础上，改进卷积层，没有池化和全连接所有卷积，多出三个输出层，分别输出大目标、中目标、小目标，使整个模型对于大中小目标的处理效果差不多，解决了前两两个版本及其他目标识别算法中普遍存在的问题。整体效果更好。





YOLOv4改进局限性


YoloV4相比V3加入了很多细节，效果也更好，但V4版本进行的试验均为基于服务器的实验，在实际应用嵌入式设备中，有许多算法公式并不支持。