YOLO系列目标检测算法发展史

目标检测的发展大致经历了两个历史时期，如下图所示：

• 传统的目标检测算法时期 ( 2014年以前 )
• 基于深度学习的目标检测算法时期 ( 2014年以后 )
• 2019年后目标检测算法的发展方向是：单阶段无锚框(anchor-free one-stage)，例如：CenterNet、CornerNet、FCOS等

目标检测算法发展史 上图来自《Object Detection in 20 Years: A Survey》

从图中可以看出，Joseph Redmon于2015年提出YOLO算法是的单阶段目标检测算法的开山鼻祖，跟R.Girshick于2014年提出的RCNN系列两阶段目标算法一起引领基于深度学习的目标检测算法的发展。YOLO系列算法是一种能满足实时检测要求(FPS > 30)的高精度算法，如下图所示，所以受到广大工程应用人员的青睐，在实际项目中有非常广泛的应用，值得初学者投入时间精力去学习、研究和应用。

YOLO系列算法在COCO数据集上的检测性能
YOLO的全称是You Only Look Once，即你只用看一次。YOLOv1版本是YOLO系列的开山之作，其核心思想是：把目标检测当做一个单一的回归任务。它首先将图像划分为SxS个网格，物体真实框中心落在哪个网格上，就由该网格对应的锚框负责检测该物体。 YOLO统一的检测思路
YOLOv2是在YOLOv1基础上做了优化，包括：

• 骨干网络从224224换为448448的Darknet19
• 采用全卷积网络结构：Conv+BatchNorm
• 使用Kmeans在COCO数据集上类聚Anchor，可以在COCO数据集上达到更好的检测效果
• 引入多尺度训练，提升网络的泛化能力和检测效果
  参考文献：《YOLO9000: Better, Faster, Stronger》 YOLOv2的优化措施对检测精度的影响

YOLOv2有一些待改进点：

• 小目标上召回率不高
• 靠近的群体目标检测效果不好
• 检测精度还有优化空间

YOLOv3是在YOLOv2的待改进点上做了进一步的优化，包括：

• 骨干网络Darknet53
• 采用多尺度预测
• 跨尺度特征融合
• 在COCO数据集上类聚9种不同尺度的anchor，每个尺度3个
  参考文献：《YOLOv3: An Incremental Improvement》
  YOLOv3仍有一些待改进点：
• 召回率相对较低
• 定位精度仍需优化
• 靠近的群体目标检测效果较差

YOLOv3目检检测算法的性能特点 2020年2月21日，YOLO系列算法的创始人：Joseph Redmon在个人的Twitter上宣布：将停止一切CV研究，原因是自己的开源算法已经用在军事和隐私问题上。这对他的道德造成了巨大的考验 Joseph Redmon宣布停止CV研究

从此其它人开始接手YOLO系列算法的改进工作，比较出名的有：

• Alexey Bochkovskiy大神的YOLOv4 《YOLOv4: Optimal Speed and Accuracy of Object Detection》
• 2020.07.24 百度发布产业最实用的PP-YOLO，COCO数据集精度45.9%，Tesla V100预测速度72.9 FPS《PP-YOLO: An Effective and Efficient Implementation of Object Detector》
  YOLOv4、PP-YOLO和Scaled-YOLOv4的性能对比图