如果您对YOLO模型的时间线快速回顾不感兴趣,请跳过本节 -
YOLOv1是第一个正式的YOLO模型。它使用单个卷积神经网络(CNN)来检测图像中的对象,与其他目标检测模型相比,速度相对较快。然而,与当时的一些两阶段模型相比,它的准确性不如人意。
YOLOv2于2016年发布,对YOLOv1进行了多项改进。它使用锚框(anchor boxes)来提高检测准确性,并引入了Upsample层,提高了输出特征图的分辨率。
YOLOv3于2018年推出,旨在提高算法的准确性和速度。YOLOv3相对于前身的主要改进是采用了Darknet-53架构,这是一种专为目标检测而设计的ResNet架构的变体。
YOLO v3还改进了锚框,允许不同的尺度和长宽比更好地匹配检测到的对象的大小和形状。Feature Pyramid Networks(FPN)和GHM损失函数的使用,以及更广泛的对象尺寸和长宽比范围,提高了准确性和稳定性,也是YOLO v3的特点。
YOLOv4由Bochkovskiy等人于2020年发布,相对于YOLOv3引入了多项改进,包括