年轻人起来冲

YOLOv5

发表于 2022-10-01 更新于 2025-02-27 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 3.8k 阅读时长 ≈ 3 分钟

在 YOLOv4 的基础上添加了一些新的改进思路，网络做成了可选择配置的方式

发表于 2022-10-01 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1.8k 阅读时长 ≈ 2 分钟

YOLOv4 在 YOLOv3 的基础上进行大量的 trick 改进，包括使用 CSPDarkNet53，PAN 等网络

发表于 2022-09-28 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 3k 阅读时长 ≈ 3 分钟

YOLOv3 借鉴特征金字塔网络 (FeaturePyramidNetwork,FPN) 思想，小尺寸特征图 (深层特征) 用于检测大尺寸物体，而大尺寸特征图 (浅层特征) 检测小尺寸物体，实现效果提升

发表于 2022-09-26 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 801 阅读时长 ≈ 1 分钟

通过 one-to-many 和 one-to-one 双头学习，解决模型学习速度和去除 NMS，实现实时的目标检测

发表于 2022-09-24 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1.5k 阅读时长 ≈ 1 分钟

YOLOX 抛 YOLOv 4、YOLOv 5 众多的 tricks，基 YOLOv 3，解耦头 (decoupled head)+Free anchor

发表于 2022-09-22 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 1.3k 阅读时长 ≈ 1 分钟

YOLOv3-YOLOv5 均是采用 FPN 的多尺度特征 (C3-C7) 做目标预测，YOLOF 则反其道而一种仅用一个尺度 (C5) 就能达到多级检测的方法

发表于 2022-09-19 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 5.9k 阅读时长 ≈ 5 分钟

YOLOv1 的基础上，引入锚框的思想，并通过新的骨干网 Darknet19、批规范化 (BatchNormalization,BN)、先验框、多尺度训练等技术，实现比 YOLOv1 更快、更好的目标

发表于 2022-09-18 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 2.7k 阅读时长 ≈ 2 分钟

通过设计新的预测头 T-Head 和样本对齐损失 (TAL)，实现分类、定位分支的对齐，使得两个分支的最佳锚框更加接近。这样可以减少 “低分类概率 + 准确位置预测”、“高概率预测 + 不太准确预测” 这两种情况目标的漏检

发表于 2022-09-15 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 2.8k 阅读时长 ≈ 3 分钟

SPPNet 的目标检测思想和 RCNN 一致，都是提取候选区域的一维特征进行获选区域分类及位置回归，通过引入空间金字塔池化 (SpatialPyramidPooling, SPP) 实现任意大小图片输入得到得到固定长度输出，避免 R-CNN 重复卷积的过程，提高了运行速度

发表于 2022-09-15 更新于 2025-02-02 分类于 2-深度学习， B-视觉模型， 1-基础视觉任务CNN ，目标检测本文字数： 2.3k 阅读时长 ≈ 2 分钟

和 YOLOv1 的思想类似，但是针对 6 个尺度特征输出目标预测结果