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。

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。

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

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。

YOLO V1是YOLO的开山之作，它奠定了YOLO系列的基本框架。

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。

网络结构相对简单， gooleNet作为卷积网络，两层全联接网络进行映射。

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

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。

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。

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。

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。