前言
yolo系列是目前应用范围比较广的目标的检测算法，经过几轮的改进，在实时性和检测效果上同比第一代yolo也有了较大提升，本文梳理一下yolo系列算法的改进思路。
YOLO
概述
在yolo之前，目标检测更多的是two-stage算法，即先筛选出部分候选框，在进行选择与分类，其中比较有代表性的网络为：faster-RCNN，mask-RCNN等。
you only look once，yolo系列是众多one-stage算法中比较有代表性的，one- stage使用单一网络完成定位与分类。
yolo框架思路
目标检测任务是定位出图像中的物体并说明物体是什么，yolo系列将其转化为回归问题，输入为图片，输出为x,y,w,h,c + 各分类概率
我们从v1 loss 入手看看它的设计思路：
loss分为三个大部分：
位置损失、置信度损失、分类损失
位置损失比较容易理解，就是边框x,y,w,h; w,h 取平方根用来平衡大小框对损失影响大小的问题。
置信度指的是候选框内为物体还是背景的置信度，这里的C取值为0和1，图像中背景区域一般来讲远多于物体，lamda用来平衡该差异对整体损失的影响。
第三部分为分类损失。
后面的YOLO都基本按照这个思路进行优化。
YOLOV1
YOLO V1是YOLO的开山之作，它奠定了YOLO系列的基本框架。
基本思想
将图片划分为S*S个格子，每个格子2个预选框，若该格子中心包含物体，则该物体由该格子进行预测。
预测产生 S*S*(B*5+C)
yolov1中S=7，B=2，C为数据集类别数量。
网络结构
网络结构相对简单， gooleNet作为卷积网络，两层全联接网络进行映射。
基本过程
输入：448*448图像
网络预测边框分类及其置信度
NMS去处冗余框
不足之处
1.网络由于使用全连接网络，输入大小不可变。
2.预选框只有两个，对于密集重合以及小目标效果不佳。
YOLOV2
V2在V1的基础上通过一些较有创造性的trick，进一步提升效果与速率。
V2优化内容
- 去除全连接层，采用卷积与池化来进行预测，该网络结构的改进可以使用多尺度进行训练。
- 去除了全连接层也不再使用dropout来防止过拟合，使用Batch Normalization来替代。
- 优化损失函数，对位置的损失函数改用偏移量，更易收敛。
- 特征融合，除了使用最后一层特征图外，融合倒数第二层特征，改善V1对小目标效果较差的问题。
- 预选框使用K-means聚类得到，同比V1提前指定预选框，该方式更贴近数据集，更合理。
- 更大分辨率，有效提升MAP。
- 引入联合训练方式，即检测与分类联合训练，训练分类时，检测部分的loss不生效，为0。
网络结构
基本过程与细节
输入416*416
卷积网络
输出13*13*5*25
细节一：输入大小为32的奇数倍，保证最后框的大小为奇数，方便确定框的中心。
细节二： K-means聚类聚类距离为，1-IOU；规避大小框中心点距离差别大的问题。
细节三：优化loss函数，使用相对偏移量计算损失，计算的是预测框与预选框的偏移（anchor box），只有最接近ground truth的检测框进行损失的计算。V5每个格子5个预选框，同比V1召回明显增加，准确率下降，map略有下降。
YOLOV3
YOLOV3是极有标志性的一代，借鉴了ResNet的残差思想，大幅度提升了时效性与效果。
插曲佚事：V3是原YOLO作者的最后一代YOLO模型，因作者发现V3被用于军事，从此退出了相关研究。
网络结构
过程与细节
输入图像
卷积神经网络
多尺度预测
多尺度预测，
52*52 用于预测小目标
26*26 用于预测中目标
13*13 用于预测大目标
低层融合高层特征，提高中小目标的预测能力和预测效果
高层采用上采样，与中小两层进行拼接融合预测
取消池化层，使用卷积控制步长来进行下采样。
改进loss，使得yolo可以进行多标签预测。
