综述四：Yolo系列及其变体
YOLO（You Only Look Once）是最著名的目标检测系列之一，由Joseph Redmon及其团队开发。YOLO的核心特点是速度快，因为它采用单次前向传递进行目标检测，比许多其他检测模型要快。随着时间的推移，YOLO经历了多个版本的迭代和改进，每个版本都在精度、速度和处理不同应用场景的能力上有所提升。
以下是YOLO的主要版本及其变种的列表：
1. YOLOv1（2015年）
- 关键特性：
- YOLO的第一个版本。
- 提出了一个单一的神经网络来进行端到端的目标检测。
- 将目标检测视为回归问题，直接从图像中预测边界框和类别概率。
- 变种：
- Tiny YOLOv1：YOLOv1的轻量版，优化了速度，牺牲了精度，适用于实时应用和低资源设备。
- 局限性：
- 对小物体和密集场景的检测较差。
- 定位精度比当时的其他方法差。
2. YOLOv2（2016年） — “Darknet-19”
- 关键特性：
- 也被称为**“YOLO9000”**。
- 相较于YOLOv1，采用了更强的架构（Darknet-19，19层网络）。
- 引入了锚框（预定义的边界框形状），使得模型更擅长预测不同长宽比的边界框。
- 引入了多尺度训练（在不同分辨率下训练），可以处理不同尺度的物体。
- YOLO9000：通过联合训练目标检测和图像分类任务，能够检测超过9000个类别。
- 变种：
- Tiny YOLOv2：YOLOv2的轻量版，优化了速度，适用于低资源设备。
- 改进：
- 相比YOLOv1，精度和速度都有显著提高。
- 对小物体和密集场景的处理得到了改善。
3. YOLOv3（2018年）
- 关键特性：
- 进一步提高了精度、速度和鲁棒性。
- 采用了Darknet-53作为骨干网络（比之前版本更深，53层）。
- 引入了多标签分类，处理图像中存在多个物体的情况。
- 采用不同尺度的特征图（在三个分辨率下进行检测）以更好地处理小物体。
- 使用了逻辑损失来预测边界框，Softmax损失用于类别预测。
- 变种：
- YOLOv3-tiny：YOLOv3的轻量版，优化了速度，牺牲了精度，适合实时检测任务。
- YOLOv3-anchors：优化了锚框的YOLOv3版本，以提高定位性能。
- 改进：
- 对小物体的检测得到了显著提高。
- 相比YOLOv2，YOLOv3在精度和速度上都有明显提升。
- 更好地处理了重叠和遮挡的物体。
4. YOLOv4（2020年）
- 关键特性：
- 引入了CSPDarknet53骨干网络（CSPNet：Cross-Stage Partial Networks），提高了性能。
- 使用Mish激活函数代替ReLU，改善了梯度流动，提升了学习效率。
- 引入了DropBlock正则化，增强了模型的泛化能力。
- 使用了自对抗训练（SAT）来提高在挑战性场景下的检测能力。
- 引入了加权残差连接和跨阶段部分连接以优化网络。
- 使用了多种优化技术，如Mosaic数据增强、自动混合精度（AMP）和CIoU损失来预测边界框。
- 变种：
- Tiny YOLOv4：YOLOv4的轻量版，专为边缘设备优化，速度更快。
- YOLOv4x-mish：使用Mish激活函数的YOLOv4版本，提供更好的性能。
- 改进：
- 相比YOLOv3，YOLOv4在精度和鲁棒性方面都有显著提升。
- 在各种场景中（如不同尺度的物体和遮挡）表现更为出色。
- 更高效，特别适用于实时应用，速度、精度和内存使用上都有优化。
5. YOLOv4-CSP（2020年）
- 关键特性：
- 基于YOLOv4的改进版，集成了CSPDarknet53骨干网络，进一步提高了学习效率。
- 进一步优化了骨干网络，提升了训练效率。
- 目的：为需要在精度和速度之间达到良好平衡的场景设计。
6. YOLOv5（2020年） — “非官方”
- 关键特性：
- YOLOv5是由Ultralytics（一个独立公司）开发的，因此并非官方YOLO版本，但由于其卓越的性能，获得了广泛关注。
- 基于PyTorch而非Darknet，便于使用、部署和微调。
- 聚焦于更好的可扩展性和灵活性，提供了不同的模型尺寸（小型、中型、大型）。
- 引入了新的功能，如自动学习边界框锚点、改进的损失函数和广泛的超参数调优支持。
- 在多个数据集上表现出色，并适用于实时应用。
- 变种：
- YOLOv5s（小型）：优化了速度，参数更少。
- YOLOv5m（中型）：在精度和速度之间取得平衡。
- YOLOv5l（大型）：在精度上表现更好，但速度较慢。
- YOLOv5x（超大）：最准确，但最慢。
- 改进：
- 相比其他YOLO版本，更加易用和灵活。
- 实时性能优秀，且精度在许多情况下超越YOLOv4。
7. YOLOv4-tiny（2020年）
- 关键特性：
- YOLOv4的轻量版，优化了速度，适用于移动设备和嵌入式设备。
- 专注于速度与精度之间的权衡。
- 使用了更小的架构，在牺牲精度的情况下加快推理速度。
- 目的：适用于资源受限的设备和实时应用。
8. YOLOv7（2022年）
- 关键特性：
- 由Chien-Yao Wang等人在加州大学发布。
- 集成了多种先进技术：动态头、排斥损失、焦点层等。
- 设计为更灵活和通用的模型，能够处理更广泛的任务和场景。
- 混合任务级联：聚焦于跨多个检测头优化任务特定的性能。
- 在实时目标检测中表现出色，精度较YOLOv4和YOLOv5更高。
- 变种：
- YOLOv7-tiny：轻量级版本，优化速度，牺牲一些精度。
- YOLOv7-5x：更大的版本，专注于更高的精度，适用于高性能任务。
- 改进：
- 精度和效率上超越YOLOv4和YOLOv5。
- 适应性强，能够应对更具挑战性的现实检测任务。
- 在速度和精度之间提供了更好的权衡。
9. YOLOv8（2023年）
- 关键特性：
- 最新的YOLO版本（由Ultralytics发布），建立在YOLOv5和YOLOv7的基础上。
- 包含更多优化，如更强的骨干网络、改进的损失函数和先进的数据增强技术。
- 更适合边缘设备，提供更灵活和高效的部署选项。
- 变种：
- YOLOv8-s：小型版本，优化了实时应用中的速度。
- YOLOv8-m：中型版本，精度和速度之间取得平衡。
- YOLOv8-l：大型版本，优先考虑精度，但较慢。
- 改进：
- 在精度、效率和灵活性方面进一步优化。
- 在目标检测基准测试中取得了最先进的结果。
YOLO版本及其变种总结：
- YOLOv1（2015年） — 初始版本，奠定基础。
- YOLOv2（2016年） — YOLO9000、多尺度训练、锚框。
- YOLOv3（2018年） — Darknet-53、多标签分类、改进的小物体检测。
- YOLOv4（2020年） — CSPDarknet53、Mish激活、增强的性能。
- YOLOv5（2020年） — 基于PyTorch，灵活和可扩展（非官方版本）。
- YOLOv4-CSP（2020年） — 改进的CSP架构，提高效率。
- YOLOv7（2022年） — 先进技术、混合任务级联、更高性能。
- YOLOv8（2023年） — 最新优化，边缘设备高效部署。
每个版本的YOLO都在精度、速度和处理能力上有所提升，YOLO系列已经成为广泛使用的目标检测工具，在实时计算和高效性能上都有着非常突出的表现。
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 Model The World！
相关推荐
2024-11-24
综述一：Transformer及其变体
Transformer架构，因其自注意力机制而闻名，能够让模型根据输入序列中不同的标记之间的关系进行加权。这种机制消除了循环神经网络的需求，使得训练变得更加高效。自从2017年原始Transformer的提出以来，已经出现了多个变种，旨在优化性能、扩展其适用范围或解决一些挑战。以下是一些著名的Transformer变种，特别是那些专注于自注意力机制的： 1. 原始Transformer (Vanilla Transformer) 关键特性：原始Transformer架构包括一个编码器-解码器结构，采用自注意力机制。 目的：消除了递归神经网络的需求，使得模型训练更加并行化和高效。 自注意力机制：多头自注意力，通过计算输入序列中所有标记之间的关系来决定重要性。 2. BERT（双向编码器表示） 关键特性：BERT只使用Transformer的编码器部分，采用双向自注意力机制来捕获标记的左右上下文。 目的：通过掩蔽语言模型（MLM）进行预训练，并可以通过微调来提升在下游NLP任务中的表现。 3....
2024-11-24
综述七：CNN模型
Here’s a list of major CNN (Convolutional Neural Network) variants ordered by the time of their publication. CNNs have evolved over the years to improve accuracy, reduce computational costs, and adapt to different domains. 1. LeNet (1998) Key Idea: One of the first CNN architectures, designed for handwritten digit recognition (MNIST). It used convolutional layers followed by pooling and fully connected layers. Application: Digit classification. Notable Paper: Yann LeCun et al.,...
2024-11-24
综述三：持续学习及其方法
持续学习（Continual Learning，CL），也称为终身学习（Lifelong Learning），指的是模型能够从持续不断的数据流中学习，并随着时间的推移不断适应和获得新知识，而不会遗忘先前学习的内容。持续学习面临的一个主要挑战是灾难性遗忘（Catastrophic Forgetting），即在学习新任务时，模型容易遗忘之前学习的任务。 为了应对这些挑战，提出了多种方法，这些方法可以根据它们如何处理遗忘、如何存储知识以及如何使用新数据进行分类。 下面是主要的持续学习方法，按它们所采用的主要策略进行组织： 1....
2024-11-24
综述九：LLM
提示（Prompts） Large Lanuage Models Can Self-Improve in Long-context Reasoning (24/10) 论文地址 核心思想：大型语言模型（LLM）在处理长上下文方面取得了实质性进展，但在长上下文推理方面仍存在困难。现有的方法通常涉及使用合成数据对LLM进行微调，这取决于人类专家的注释或GPT-4等高级模型，从而限制了进一步的进步。为了解决这个问题，研究了LLM在长上下文推理中自我改进的潜力，并提出了专门为此目的设计的SEALONG方法。这种方法很简单：对每个问题的多个输出进行采样，用最小贝叶斯风险对其进行评分，然后根据这些输出进行监督微调或偏好优化。在几个领先的LLM上进行的广泛实验证明了SEALONG的有效性，Llama-3.1-8B-Instruct的绝对提高了4.2分。此外，与依赖于人类专家或高级模型生成的数据的先前方法相比，SEALONG实现了更优的性能。我们预计，这项工作将为长期情景下的自我提升技术开辟新的途径，这对LLM的持续发展至关重要。
2024-11-24
综述九：Mamba及其变体
SSM模型 Transformers are RNNs: Fast Autoregressive Transformers with Linear Attention (20/06) 论文地址 核心思想：将自注意表示为核特征图的线性点积，并使用矩阵乘法的结合属性将复杂度从 O(N2)\mathcal{O}(N^2)O(N2) 减少到 O(N)\mathcal{O}(N)O(N) ，其中N是序列长度。我们证明，这个公式允许迭代实现，大大加速了自回归Transformers，并揭示了它们与循环神经网络的关系。(一种涉及循环的自我注意近似，可以看作是退化的线性SSM) Hungry Hungry Hippos: Towards Language Modeling with State Space Models...
2024-11-24
综述二：DiTs及其变体
**DiT（去噪扩散Transformer模型）**是结合了Transformer架构和扩散模型的一类生成模型，特别专注于在扩散框架内的去噪过程。扩散模型通过逐步添加和去除噪声的过程来建模复杂的分布，近年来在生成任务中非常流行。 下面是一些著名的DiT变种，它们在不同方面扩展了原始的DiT模型： 1. DiT（原始版本） 关键特性：原始的DiT模型将Transformer架构与去噪扩散过程结合，利用Transformer的注意力机制改进生成质量和训练的可扩展性。 目的：生成高质量的图像，并与传统的卷积神经网络相比，提高训练效率。 2. DiT++（增强版DiT） 关键特性：DiT++是在原始DiT基础上进行增强的版本，可能包括模型架构的改进、训练方法的优化或额外的正则化技术。 目的：通过改进Transformer架构和扩散过程中的噪声调度，提升生成稳定性和性能。 3....
