CV之DL之Yolo：计算机视觉领域算法总结—Yolo系列(YoloV1~YoloV8各种对比)的简介、安装、案例应用之详细攻略
导读：近期，博主应太多太多的网友的私信，要求让博主总结一下目标检测领域算法的发展历史和最新算法的技术架构，尤其是Yolo系列这一块内容，网友私信的太多了，有可能是博主粉丝中计算机视觉方向的，尤其是搞视频监控这个领域的粉丝占了很大一部分的缘故吧。那么，为了满足广大网友的想法，博主也趁着这个周末，抽空把Yolo系列的算法全部进行整理了一下，也非常欢迎广大网友提出自己的看法和建议，博主依旧也会持续优化Yolo算法系列文章。
目录
CV之Yolox系列：YOLO-v1到YOLO-v8系列算法讲解：YOLO的兴起及其在数字制造和工业缺陷检测领域的互补性
CV之Yolox系列：推动人工智能目标检测前沿—YOLO-v1到YOLO-v8系列算法讲解
CV之Yolox系列：YOLO家族的模型的综合指南—Your Comprehensive Guide to the YOLO Family of Models
CV之Yolox系列：YOLO目标检测模型从YOLOv1到YOLOv8的发展历程
Yolo系列(YoloV1~YoloV8各种对比)的简介、安装、案例应用
CV之DL之Yolov1：Yolo算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
CV之DL之YoloV2：Yolo V2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之YoloV3：Yolo V3算法的简介(论文介绍)、各种DL框架代码复现、架构详解、案例应用等配图集合之详细攻略
CV之DL之YoloV4：《YOLOv4: Optimal Speed and Accuracy of Object Detection》的翻译与解读
CV之DL之YOLOv5：YOLOv5的简介、安装、使用方法之详细攻略
CV之DL之YOLOv6：YOLOv6的简介、安装和使用方法、案例应用之详细攻略
CV之DL之YOLOv7：YOLOv7的简介、安装和使用方法、案例应用之详细攻略
CV之DL之YOLOv8：YOLOv8的简介、安装和使用方法、案例应用之详细攻略
https://yunyaniu.blog.csdn.net/article/details/129679223
https://yunyaniu.blog.csdn.net/article/details/134589588
https://yunyaniu.blog.csdn.net/article/details/134623171
https://yunyaniu.blog.csdn.net/article/details/134657959
https://yunyaniu.blog.csdn.net/article/details/135422436
| 地址 | |
| 时间 | 2021年6月7日，最新为2023年1月 |
| 作者 | |
| 总结 | YOLO模型的基本思想是将对象检测看作一个端到端的问题，同时预测边框和分类，而不分多个阶段，这大大提高了模型效率。介绍了YOLO(You Only Look Once)系列对象检测模型，包括各个版本模型的来历和主要贡献。 YOLOv1：首次提出YOLO模型架构，将目标检测看作一个端到端的回归问题。 YOLOv2：在YOLOv1基础上进行了迭代改进，优化了特征提取模块，加入了BatchNorm层、提升了输入分辨率、加入了锚框机制。 YOLOv3：提出多尺度预测机制，优化网络结构等。加入目标置信度、加强后向连接、三层预测结构提升小目标检测能力。 YOLOv4：改进特征融合、数据增强、Mish激活函数等改进。 YOLOv5： 第一个不附带论文的版本，基于PyTorch实现，进行持续迭代改进开发。 PP-YOLO：采用Baidu框架，在COCO数据集上效果更好。高准确率和低延迟，利用PaddlePaddle框架优化。 Scaled YOLOv4：通过网络放大提高性能。采用交叉阶段部分网络来扩大网络规模，保持YOLOv4的准确率和速度。 YOLOv6：改进骨干和颈结构，考虑硬件优化。重设后向结构，脱离预测头结构，训练方法优化等改进推理速度和性能。 YOLOv7：改进层聚合策略。考虑内存开销和梯度传播距离，采用改进后的E-ELAN层聚合。 YOLOv8：便于开发者使用。包括许多体系结构和开发体验改进，建立在YOLOv5基础上。 YOLO-NAS：神经架构搜索优化。利用神经架构搜索技术，在准确率和延迟上优于其他YOLO版本。 YOLO系列模型以实时推理速度快而准确知名，广泛应用于视频监测、生产线检测等场景。后续模型主要在网络结构、训练策略等方面不断迭代优化，不断提高效果。文章通过介绍不同版本，对YOLO模型的发展历程有一个系统的总结。 |
| 地址 | 文章地址：The History of YOLO Object Detection Models from YOLOv1 to YOLOv8 | Deci |
| 时间 | 2023年6月5日 |
| 作者 | Harpreet Sahota DevRel Manager |
| 总结 | 文章总结了从2016年YOLOv1到2023年YOLOv8这几年来YOLO物体检测模型的发展历程。 主要提炼以下几点： >> YOLO模型以其实时效率和准确性而著称。不同版本不断提高了模型在速度和准确性上的平衡。 >> YOLO模型的发展主要体现在：是否使用锚点机制、框架技术的转变(如Darknet到PyTorch)、骨干网络结构的改进、提供不同规模模型平衡速度和准确性。 >> 早期YOLO版本使用Darknet框架，后来转向PyTorch和PaddlePaddle，这促进了模型的优化。骨干也从Darknet改为ResNet等。 >> YOLOv2引入锚点机制改进了边界框预测准确性。YOLOX实现无锚点架构达到SOA效果，引导后续版本舍弃锚点。 >> PP-YOLO系列利用PaddlePaddle框架，在保证速度的同时进一步提升了准确性。 >> YOLOv7等版本通过E-ELAN、特色技巧集等手段，在减少参数量的同时又提升了准确性，实现了更好的速度-准确性平衡。 未来可能面临更严格的测试数据集，模型族Tree和应用场景会更广泛，适应不同硬件平台，以满足复杂任务需求。 总体来说，YOLO模型自始至终致力于实现实时检测任务的速度和准确性平衡，通过不断改进框架、骨干和训练策略而不断提升性能，成为目前主流的单阶段即时物体检测解决方案。 |
Yolo（You Only Look Once）是一系列目标检测算法，它以其高效的实时性和准确性而受到广泛关注。从YoloV1到YoloV8，这个系列经历了多个版本的改进和优化，不仅在算法结构上进行了升级，还在速度和精度方面取得了显著的进展。
Yolo系列的不同版本有不同的实现框架，主要是基于Darknet、PyTorch或其他深度学习框架。具体安装请查看对应版本前往安装。
https://yunyaniu.blog.csdn.net/article/details/79926293
https://yunyaniu.blog.csdn.net/article/details/79955385
https://yunyaniu.blog.csdn.net/article/details/80143203
https://yunyaniu.blog.csdn.net/article/details/106451390
https://yunyaniu.blog.csdn.net/article/details/108502576
https://yunyaniu.blog.csdn.net/article/details/126083606
https://yunyaniu.blog.csdn.net/article/details/126253703
https://yunyaniu.blog.csdn.net/article/details/129698837
在实际应用中，根据具体场景需求可能需要调整Yolo的配置文件、网络结构或进行模型微调。同时，要注意处理不同尺寸和种类的目标，以及对实时性和准确性的平衡。这些案例应用的成功实现通常需要领域专业知识和对深度学习模型的深入理解。
Yolo系列在计算机视觉领域的应用广泛，包括目标检测、图像分类、语义分割等。以下是一些具体的案例应用：
应用场景：视频监控系统中，检测行人、车辆、物体等。
实现步骤：使用训练好的Yolo模型，对视频流或图像进行实时目标检测。
应用场景：医学影像中的病灶分类，工业品检中的缺陷检测等。
实现步骤：Fine-tuneYolo模型，或将其作为特征提取器与其他分类器结合。
应用场景：自动驾驶中的道路分割，医学图像中的器官分割等。
实现步骤：YoloV4及之后版本对语义分割有更好的支持，通过修改网络结构和损失函数实现。
应用场景：商场、车站等场所的人流量统计。
实现步骤：使用Yolo进行目标检测，根据检测结果实时计数目标数量。
应用场景：安防系统中的人脸识别，人脸解锁等。
实现步骤：利用Yolo进行人脸检测，结合人脸识别模型进行身份确认。