样本不均衡条件下交通标志检测方法研究5

单阶段目标检测 ​

单阶段目标算法是目标检测领域的经典算法之一，也叫基于回归的检测算法，其将目标检测其主要思想是直接对图像进行分类和回归，相比两阶段目标检测算法，单阶段目标检测算法放弃了生成候选区域的步骤，直接对图像进行分类和回归，因此速度较快，其代表性算法有YOLO系列算法和SSD算法。

YOLO系列算法 ​

YOLO（You Only Look Once）是一种基于单阶段目标检测算法的目标检测算法，其在发布后迅速受到了广泛关注。从最初的YOLOv1到最新的YOLOv11，每一代版本都在特征提取、边界框预测和优化技术等方面引入了重要的创新。这些改进特别是在骨干网络（backbone）、颈部（neck）和头部（head）组件上的进步，使得YOLO成为实时目标检测领域的领先解决方案。包括但不限于自动驾驶、工业制造、军事安全等领域。

2016年，Joseph Redmon等人提出了YOLOv1，YOLO算法采用一个单独的CNN模型实现端到端的目标检测，将目标检测问题转化为一个回归问题，直接在整个图像上预测边界框和类别概率。YOLOv1算法的主要流程如下：

1. 将输入图像分割成S×S个网格，每个网格负责检测图像中的目标。

2. 每个网格预测B个边界框和每个边界框的置信度。

3. 针对上一步可以预测出S×S×B个边界框，然后根据阈值去除可能性比较低的目标窗口，在使用非极大值抑制（NMS）去除重叠的边界框。

具体实现流程可以查看 深度学习目标检测系列：一文弄懂YOLO算法

YOLO系列算法发展历程 ​

YOLO（You Only Look Once）是一系列实时目标检测算法，以其在速度和准确性之间的平衡而闻名。自2015年首个版本发布以来，YOLO经历了多个版本的迭代，不断优化其性能和适用性。以下是YOLO从v1到v11的发展历程，包括每个版本的主要特点和相关论文链接。

1. YOLOv1 (2015) ​

• 特点：
  • 首次提出将目标检测任务视为回归问题，通过单个神经网络直接从图像中预测目标的边界框和类别。
  • 输入图像被划分为SxS的网格，每个网格负责预测B个边界框和类别置信度。
  • 使用GoogLeNet作为骨干网络，包含24个卷积层和2个全连接层。
  • 引入了多任务损失函数，包括边界框坐标损失、目标类别损失和置信度损失。
• 论文：
  • You Only Look Once: Unified, Real-Time Object Detection

2. YOLOv2 (2016) ​

• 特点：
  • 采用了更深、更宽的网络结构，引入了残差连接和批归一化技术。
  • 引入了多尺度预测机制，通过在不同层次的特征图上进行目标检测，提高了对不同尺度目标的检测能力。
  • 引入了Anchor boxes，用于预测不同尺度和长宽比的目标边界框。
  • 使用Darknet-19作为骨干网络，相比于YOLOv1的网络结构更加轻量化。
  • 增加了数据增强技术和更长的训练时间，提高了模型的泛化能力和稳定性。
• 论文：
  • YOLO9000: Better, Faster, Stronger

3. YOLOv3 (2018) ​

• 特点：
  • 采用了更深、更宽的网络结构，包含53个卷积层。
  • 引入了三种不同尺度的预测，分别在不同层次的特征图上进行目标检测。
  • 使用Darknet-53作为骨干网络，引入了残差网络模块。
  • 借鉴了特征金字塔的思想，将高级和低级语义信息进行融合。
  • 通过聚类的方式生成预选框，提高了模型的检测精度。
• 论文：
  • YOLOv3: An Incremental Improvement

4. YOLOv4 (2020) ​

• 特点：
  • 由Alexey Bochkovskiy等人对YOLOv3进行了升级改造，核心思想与之前基本一致，但在多个方面进行了改进。
  • 将CSP结构融入Darknet53中，生成了新的主干网络CSPDarknet53。
  • 采用SPP空间金字塔池化来扩大感受野。
  • 引入了Mish激活函数和CIoU损失函数，提高了模型的性能。
• 论文：
  • YOLOv4: Optimal Speed and Accuracy of Object Detection

5. YOLOv5 (2020) ​

• 特点：
  • 由Ultralytics公司推出，基于PyTorch实现，提供了更简单的部署和训练流程。
  • 引入了CSPDarknet Backbone和Mosaic数据增强技术，平衡了速度和精度。
  • 提供了多个子变体（n、s、m、l、x），以适应不同的计算需求。
  • 支持将训练后的模型导出为ONNX、CoreML和TFLite等多种格式，便于在不同平台部署。
• 论文：
  • 无论文，仅有GitHub仓库：YOLOv5

6. YOLOv6 (2021) ​

• 特点：
  • 进一步优化了模型的结构和训练流程，提高了模型的检测精度和速度。
  • 引入了更多的数据增强技术，如MixUp和CutMix。
  • 优化了损失函数，引入了GIoU损失函数。
• 论文：
  • YOLOv6 v3.0: A Full-Scale Reloading

7. YOLOv7 (2022) ​

• 特点：
  • 在YOLOv6的基础上进一步优化了模型的结构和训练流程。
  • 引入了更多的数据增强技术和优化技术，如EMA（Exponential Moving Average）。
  • 提高了模型的检测精度和速度，特别是在小目标检测方面。
• 论文：
  • YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors

8. YOLOv8 (2023) ​

• 特点：
  • 基于YOLOv5的成功，提供了更高的准确性和用于各种计算机视觉任务的统一框架。
  • 引入了Anchor-Free点检测，简化了模型架构，并提高了对小物体的性能。
  • 优化了损失函数，引入了DIoU损失函数。
• 论文：
  • 无论文，仅有GitHub仓库：YOLOv8

9. YOLOv9 (2023) ​

• 特点：
  • 通过引入可编程梯度信息（PGI）和通用高效层聚合网络（GELAN）等功能进一步增强了性能。
  • 优化了模型的计算效率，使其能够处理更复杂的检测任务，包括那些具有遮挡和复杂模式的检测任务。
• 论文：
  • YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information

10. YOLOv10 (2024) ​

• 特点：
  • 采用了减少计算开销的创新方法，同时保持了高准确性。
  • 融合了如无需NMS训练和整体模型设计等先进技术，特别适合计算资源有限的边缘设备。
• 论文：
  • YOLOv10: Real-Time End-to-End Object Detection

11. YOLOv11 (2024) ​

• 特点：
  • 在YOLOv8的基础上进行了改进，使同等精度下参数量降低20%，在速度和准确性方面具有无与伦比的性能。
  • 流线型设计使其适用于各种应用，并可轻松适应从边缘设备到云API等不同硬件平台。
  • 成为各种物体检测与跟踪、实例分割、图像分类和姿态估计任务的绝佳选择。
• 论文：
  • 无论文，仅有GitHub仓库：YOLOv11