YOLO系列：YOLOv1,YOLOv2,YOLOv3,YOLOv4,YOLOv5簡介

初識CV 夢想總是和我擦肩而過 707 人贊同了該文章

YOLO系列是基於深度學習的迴歸方法。
RCNN， Fast-RCNN，Faster-RCNN是基於深度學習的分類方法。

YOLO官網：

https://github.com/pjreddie/darknet​github.com

YOLO v.s Faster R-CNN

1.統一網路:YOLO沒有顯示求取region proposal的過程。Faster R-CNN中儘管RPN與fast rcnn共享卷積層，但是在模型訓練過程中，需要反覆訓練RPN網路和fast rcnn網路.相對於R-CNN系列的"看兩眼"(候選框提取與分類),YOLO只需要Look Once.

2. YOLO統一為一個迴歸問題，而R-CNN將檢測結果分為兩部分求解：物體類別（分類問題），物體位置即bounding box（迴歸問題）。

YOLOv1

論文下載：http://arxiv.org/abs/1506.02640

程式碼下載：https://github.com/pjreddie/darknet

核心思想：將整張圖片作為網路的輸入（類似於Faster-RCNN），直接在輸出層對BBox的位置和類別進行迴歸。

實現方法

• 將一幅影象分成SxS個網格(grid cell)，如果某個object的中心 落在這個網格中，則這個網格就負責預測這個object。

• 每個網路需要預測B個BBox的位置資訊和confidence（置信度）資訊，一個BBox對應著四個位置資訊和一個confidence資訊。confidence代表了所預測的box中含有object的置信度和這個box預測的有多準兩重資訊：

其中如果有object落在一個grid cell裡，第一項取1，否則取0。 第二項是預測的bounding box和實際的groundtruth之間的IoU值。

• 每個bounding box要預測(x, y, w, h)和confidence共5個值，每個網格還要預測一個類別資訊，記為C類。則SxS個網格，每個網格要預測B個bounding box還要預測C個categories。輸出就是S x S x (5*B+C)的一個tensor。（注意：class資訊是針對每個網格的，confidence資訊是針對每個bounding box的。）
• 舉例說明: 在PASCAL VOC中，影象輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。整個網路結構如下圖所示：

• 在test的時候，每個網格預測的class資訊和bounding box預測的confidence資訊相乘，就得到每個bounding box的class-specific confidence score:

等式左邊第一項就是每個網格預測的類別資訊，第二三項就是每個bounding box預測的confidence。這個乘積即encode了預測的box屬於某一類的概率，也有該box準確度的資訊。

• 得到每個box的class-specific confidence score以後，設定閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結果。

簡單的概括就是：

(1) 給個一個輸入影象，首先將影象劃分成7*7的網格

(2) 對於每個網格，我們都預測2個邊框（包括每個邊框是目標的置信度以及每個邊框區域在多個類別上的概率）

(3) 根據上一步可以預測出7*7*2個目標視窗，然後根據閾值去除可能性比較低的目標視窗，最後NMS去除冗餘視窗即可

損失函式

在實現中，最主要的就是怎麼設計損失函式，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部採用了sum-squared error loss來做這件事。

這種做法存在以下幾個問題：

• 第一，8維的localization error和20維的classification error同等重要顯然是不合理的；
• 第二，如果一個網格中沒有object（一幅圖中這種網格很多），那麼就會將這些網格中的box的confidence push到0，相比於較少的有object的網格，這種做法是overpowering的，這會導致網路不穩定甚至發散。

解決辦法：

• 更重視8維的座標預測，給這些損失前面賦予更大的loss weight。
• 對沒有object的box的confidence loss，賦予小的loss weight。
• 有object的box的confidence loss和類別的loss的loss weight正常取1。

對不同大小的box預測中，相比於大box預測偏一點，小box預測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。

為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發生偏移時，反應到y軸上相比大box要大。（也是個近似逼近方式）

一個網格預測多個box，希望的是每個box predictor專門負責預測某個object。具體做法就是看當前預測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。

最後整個的損失函式如下所示：

這個損失函式中：

• 只有當某個網格中有object的時候才對classification error進行懲罰。
• 只有當某個box predictor對某個ground truth box負責的時候，才會對box的coordinate error進行懲罰，而對哪個ground truth box負責就看其預測值和ground truth box的IoU是不是在那個cell的所有box中最大。

其他細節，例如使用啟用函式使用leak RELU，模型用ImageNet預訓練等等

優點

• 快速，pipline簡單.
• 背景誤檢率低。
• 通用性強。YOLO對於藝術類作品中的物體檢測同樣適用。它對非自然影象物體的檢測率遠遠高於DPM和RCNN系列檢測方法。

缺點

• 由於輸出層為全連線層，因此在檢測時，YOLO訓練模型只支援與訓練影象相同的輸入解析度。
• 雖然每個格子可以預測B個bounding box，但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出，即每個格子最多隻預測出一個物體。當物體佔畫面比例較小，如影象中包含畜群或鳥群時，每個格子包含多個物體，但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。
• YOLO loss函式中，大物體IOU誤差和小物體IOU誤差對網路訓練中loss貢獻值接近（雖然採用求平方根方式，但沒有根本解決問題）。因此，對於小物體，小的IOU誤差也會對網路優化過程造成很大的影響，從而降低了物體檢測的定位準確性。

YOLOv2（YOLO9000）

論文地址：https://arxiv.org/abs/1612.08242

YOLOv2相對v1版本，在繼續保持處理速度的基礎上，從預測更準確（Better），速度更快（Faster），識別物件更多（Stronger）這三個方面進行了改進。其中識別更多物件也就是擴充套件到能夠檢測9000種不同物件，稱之為YOLO9000。

文章提出了一種新的訓練方法–聯合訓練演算法，這種演算法可以把這兩種的資料集混合到一起。使用一種分層的觀點對物體進行分類，用巨量的分類資料集資料來擴充檢測資料集，從而把兩種不同的資料集混合起來。

聯合訓練演算法的基本思路就是：同時在檢測資料集和分類資料集上訓練物體檢測器（Object Detectors ），用檢測資料集的資料學習物體的準確位置，用分類資料集的資料來增加分類的類別量、提升健壯性。

YOLO9000就是使用聯合訓練演算法訓練出來的，他擁有9000類的分類資訊，這些分類資訊學習自ImageNet分類資料集，而物體位置檢測則學習自COCO檢測資料集。

YOLOv2相比YOLOv1的改進策略

改進：

Batch Normalization（批量歸一化）

mAP提升2.4%。

批歸一化有助於解決反向傳播過程中的梯度消失和梯度爆炸問題，降低對一些超引數（比如學習率、網路引數的大小範圍、啟用函式的選擇）的敏感性，並且每個batch分別進行歸一化的時候，起到了一定的正則化效果（YOLO2不再使用dropout），從而能夠獲得更好的收斂速度和收斂效果。

通常，一次訓練會輸入一批樣本（batch）進入神經網路。批規一化在神經網路的每一層，在網路（線性變換）輸出後和啟用函式（非線性變換）之前增加一個批歸一化層（BN），BN層進行如下變換：①對該批樣本的各特徵量（對於中間層來說，就是每一個神經元）分別進行歸一化處理，分別使每個特徵的資料分佈變換為均值0，方差1。從而使得每一批訓練樣本在每一層都有類似的分佈。這一變換不需要引入額外的引數。②對上一步的輸出再做一次線性變換，假設上一步的輸出為Z，則Z1=γZ + β。這裡γ、β是可以訓練的引數。增加這一變換是因為上一步驟中強制改變了特徵資料的分佈，可能影響了原有資料的資訊表達能力。增加的線性變換使其有機會恢復其原本的資訊。

關於批規一化的更多資訊可以參考Batch Normalization原理與實戰。

High resolution classifier（高解析度影象分類器）

mAP提升了3.7%。

影象分類的訓練樣本很多，而標註了邊框的用於訓練物件檢測的樣本相比而言就比較少了，因為標註邊框的人工成本比較高。所以物件檢測模型通常都先用影象分類樣本訓練卷積層，提取影象特徵。但這引出的另一個問題是，影象分類樣本的解析度不是很高。所以YOLO v1使用ImageNet的影象分類樣本採用 224*224 作為輸入，來訓練CNN卷積層。然後在訓練物件檢測時，檢測用的影象樣本採用更高解析度的 448*448 的影象作為輸入。但這樣切換對模型效能有一定影響。

所以YOLO2在採用 224*224 影象進行分類模型預訓練後，再採用 448*448 的高解析度樣本對分類模型進行微調（10個epoch），使網路特徵逐漸適應 448*448 的解析度。然後再使用 448*448 的檢測樣本進行訓練，緩解了解析度突然切換造成的影響。

Convolution with anchor boxes（使用先驗框）

召回率大幅提升到88%，同時mAP輕微下降了0.2。

YOLOV1包含有全連線層，從而能直接預測Bounding Boxes的座標值。 Faster R-CNN的方法只用卷積層與Region Proposal Network來預測Anchor Box的偏移值與置信度，而不是直接預測座標值。作者發現通過預測偏移量而不是座標值能夠簡化問題，讓神經網路學習起來更容易。

借鑑Faster RCNN的做法，YOLO2也嘗試採用先驗框（anchor）。在每個grid預先設定一組不同大小和寬高比的邊框，來覆蓋整個影象的不同位置和多種尺度，這些先驗框作為預定義的候選區在神經網路中將檢測其中是否存在物件，以及微調邊框的位置。

之前YOLO1並沒有採用先驗框，並且每個grid只預測兩個bounding box，整個影象98個。YOLO2如果每個grid採用9個先驗框，總共有13*13*9=1521個先驗框。所以最終YOLO去掉了全連線層，使用Anchor Boxes來預測 Bounding Boxes。作者去掉了網路中一個Pooling層，這讓卷積層的輸出能有更高的解析度。收縮網路讓其執行在416*416而不是448*448。

由於圖片中的物體都傾向於出現在圖片的中心位置，特別是那種比較大的物體，所以有一個單獨位於物體中心的位置用於預測這些物體。YOLO的卷積層採用32這個值來下采樣圖片，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的Feature Map。 使用Anchor Box會讓精確度稍微下降，但用了它能讓YOLO能預測出大於一千個框，同時recall達到88%，mAP達到69.2%。

Dimension clusters（聚類提取先驗框的尺度資訊）

之前Anchor Box的尺寸是手動選擇的，所以尺寸還有優化的餘地。 YOLO2嘗試統計出更符合樣本中物件尺寸的先驗框，這樣就可以減少網路微調先驗框到實際位置的難度。YOLO2的做法是對訓練集中標註的邊框進行K-mean聚類分析，以尋找儘可能匹配樣本的邊框尺寸。

如果我們用標準的歐式距離的k-means，尺寸大的框比小框產生更多的錯誤。因為我們的目的是提高IOU分數，這依賴於Box的大小，所以距離度量的使用：

centroid是聚類時被選作中心的邊框，box就是其它邊框，d就是兩者間的“距離”。IOU越大，“距離”越近。YOLO2給出的聚類分析結果如下圖所示：

通過分析實驗結果（Figure 2），左圖：在model複雜性與high recall之間權衡之後，選擇聚類分類數K=5。右圖：是聚類的中心，大多數是高瘦的Box。

Table1是說明用K-means選擇Anchor Boxes時，當Cluster IOU選擇值為5時，AVG IOU的值是61，這個值要比不用聚類的方法的60.9要高。選擇值為9的時候，AVG IOU更有顯著提高。總之就是說明用聚類的方法是有效果的。

Direct location prediction（約束預測邊框的位置）

借鑑於Faster RCNN的先驗框方法，在訓練的早期階段，其位置預測容易不穩定。其位置預測公式為：

其中，是預測邊框的中心，是先驗框（anchor）的中心點座標，是先驗框（anchor）的寬和高，是要學習的引數。 注意，YOLO論文中寫的是，根據Faster RCNN，應該是"+"。

由於的取值沒有任何約束，因此預測邊框的中心可能出現在任何位置，訓練早期階段不容易穩定。YOLO調整了預測公式，將預測邊框的中心約束在特定gird網格內。

其中，是預測邊框的中心和寬高。是預測邊框的置信度，YOLO1是直接預測置信度的值，這裡對預測引數進行σ變換後作為置信度的值。是當前網格左上角到影象左上角的距離，要先將網格大小歸一化，即令一個網格的寬=1，高=1。是先驗框的寬和高。 σ是sigmoid函式。是要學習的引數，分別用於預測邊框的中心和寬高，以及置信度。

因為使用了限制讓數值變得引數化，也讓網路更容易學習、更穩定。

Fine-Grained Features（passthrough層檢測細粒度特徵）

passthrough層檢測細粒度特徵使mAP提升1。

物件檢測面臨的一個問題是影象中物件會有大有小，輸入影象經過多層網路提取特徵，最後輸出的特徵圖中（比如YOLO2中輸入416*416經過卷積網路下采樣最後輸出是13*13），較小的物件可能特徵已經不明顯甚至被忽略掉了。為了更好的檢測出一些比較小的物件，最後輸出的特徵圖需要保留一些更細節的資訊。

YOLO2引入一種稱為passthrough層的方法在特徵圖中保留一些細節資訊。具體來說，就是在最後一個pooling之前，特徵圖的大小是26*26*512，將其1拆4，直接傳遞（passthrough）到pooling後（並且又經過一組卷積）的特徵圖，兩者疊加到一起作為輸出的特徵圖。

具體怎樣1拆4，下面借用一副圖看的很清楚。圖中示例的是1個4*4拆成4個2*2。因為深度不變，所以沒有畫出來。

另外，根據YOLO2的程式碼，特徵圖先用1*1卷積從 26*26*512 降維到 26*26*64，再做1拆4並passthrough。下面圖6有更詳細的網路輸入輸出結構。

Multi-ScaleTraining（多尺度影象訓練）

作者希望YOLO v2能健壯的運行於不同尺寸的圖片之上，所以把這一想法用於訓練model中。

區別於之前的補全圖片的尺寸的方法，YOLO v2每迭代幾次都會改變網路引數。每10個Batch，網路會隨機地選擇一個新的圖片尺寸，由於使用了下采樣引數是32，所以不同的尺寸大小也選擇為32的倍數{320，352…..608}，最小320*320，最大608*608，網路會自動改變尺寸，並繼續訓練的過程。

這一政策讓網路在不同的輸入尺寸上都能達到一個很好的預測效果，同一網路能在不同解析度上進行檢測。當輸入圖片尺寸比較小的時候跑的比較快，輸入圖片尺寸比較大的時候精度高，所以你可以在YOLO v2的速度和精度上進行權衡。

Figure4，Table 3：在voc2007上的速度與精度

hi-res detector（高解析度影象的物件檢測）

圖1表格中最後一行有個hi-res detector，使mAP提高了1.8。因為YOLO2調整網路結構後能夠支援多種尺寸的輸入影象。通常是使用416*416的輸入影象，如果用較高解析度的輸入影象，比如544*544，則mAP可以達到78.6，有1.8的提升。

Hierarchical classification（分層分類）

作者提出了一種在分類資料集和檢測資料集上聯合訓練的機制。使用檢測資料集的圖片去學習檢測相關的資訊，例如bounding box 座標預測，是否包含物體以及屬於各個物體的概率。使用僅有類別標籤的分類資料集圖片去擴充套件可以檢測的種類。

作者通過ImageNet訓練分類、COCO和VOC資料集來訓練檢測，這是一個很有價值的思路，可以讓我們達到比較優的效果。 通過將兩個資料集混合訓練，如果遇到來自分類集的圖片則只計算分類的Loss，遇到來自檢測集的圖片則計算完整的Loss。

但是ImageNet對應分類有9000種，而COCO則只提供80種目標檢測，作者使用multi-label模型，即假定一張圖片可以有多個label，並且不要求label間獨立。通過作者Paper裡的圖來說明，由於ImageNet的類別是從WordNet選取的，作者採用以下策略重建了一個樹形結構（稱為分層樹）：

1. 遍歷Imagenet的label，然後在WordNet中尋找該label到根節點(指向一個物理物件)的路徑；
2. 如果路徑直有一條，那麼就將該路徑直接加入到分層樹結構中；
3. 否則，從剩餘的路徑中選擇一條最短路徑，加入到分層樹。

這個分層樹我們稱之為 WordTree，作用就在於將兩種資料集按照層級進行結合。

分類時的概率計算借用了決策樹思想，某個節點的概率值等於該節點到根節點的所有條件概率之積。最終結果是一顆 WordTree （視覺名片語成的層次結構模型）。用WordTree執行分類時，預測每個節點的條件概率。如果想求得特定節點的絕對概率，只需要沿著路徑做連續乘積。例如，如果想知道一張圖片是不是“Norfolk terrier ”需要計算：

另外，為了驗證這種方法作者在WordTree（用1000類別的ImageNet建立）上訓練了Darknet-19模型。為了建立WordTree1k，作者天添加了很多中間節點，把標籤由1000擴充套件到1369。訓練過程中ground truth標籤要順著向根節點的路徑傳播。例如，如果一張圖片被標記為“Norfolk terrier”，它也被標記為“dog” 和“mammal”等。為了計算條件概率，模型預測了一個包含1369個元素的向量，而且基於所有“同義詞集”計算softmax，其中“同義詞集”是同一概念的下位詞。

softmax操作也同時應該採用分組操作，下圖上半部分為ImageNet對應的原生Softmax，下半部分對應基於WordTree的Softmax：

通過上述方案構造WordTree，得到對應9418個分類，通過重取樣保證Imagenet和COCO的樣本資料比例為4:1。

YOLOv3

論文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf

YOLO v3的模型比之前的模型複雜了不少，可以通過改變模型結構的大小來權衡速度與精度。

速度對比如下：

簡而言之，YOLOv3 的先驗檢測（Prior detection）系統將分類器或定位器重新用於執行檢測任務。他們將模型應用於影象的多個位置和尺度。而那些評分較高的區域就可以視為檢測結果。此外，相對於其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經網路應用於整張影象，該網路將影象劃分為不同的區域，因而預測每一塊區域的邊界框和概率，這些邊界框會通過預測的概率加權。我們的模型相比於基於分類器的系統有一些優勢。它在測試時會檢視整個影象，所以它的預測利用了影象中的全域性資訊。與需要數千張單一目標影象的 R-CNN 不同，它通過單一網路評估進行預測。這令 YOLOv3 非常快，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。

改進之處

• 多尺度預測 （引入FPN）。
• 更好的基礎分類網路（darknet-53, 類似於ResNet引入殘差結構）。
• 分類器不在使用Softmax，分類損失採用binary cross-entropy loss（二分類交叉損失熵）

YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

1. Softmax使得每個框分配一個類別（score最大的一個），而對於Open Images這種資料集，目標可能有重疊的類別標籤，因此Softmax不適用於多標籤分類。
2. Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。

分類損失採用binary cross-entropy loss。

多尺度預測

每種尺度預測3個box, anchor的設計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3個尺度.

• 尺度1: 在基礎網路之後新增一些卷積層再輸出box資訊.
• 尺度2: 從尺度1中的倒數第二層的卷積層上取樣(x2)再與最後一個16x16大小的特徵圖相加,再次通過多個卷積後輸出box資訊.相比尺度1變大兩倍.
• 尺度3: 與尺度2類似,使用了32x32大小的特徵圖.

參見網路結構定義檔案yolov3.cfg

基礎網路 Darknet-53

darknet-53

仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.對比如下:

主幹架構的效能對比

檢測結構如下：

YOLOv3在[email protected]及小目標APs上具有不錯的結果,但隨著IOU的增大,效能下降,說明YOLOv3不能很好地與ground truth切合.

邊框預測

圖 2：帶有維度先驗和定位預測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，並使用 Sigmoid 函式預測邊界框相對於濾波器應用位置的中心座標。

仍採用之前的logis，其中cx,cy是網格的座標偏移量,pw,ph是預設的anchor box的邊長.最終得到的邊框座標值是b*,而網路學習目標是t*，用sigmod函式、指數轉換。

YOLOv4

YOLOv4: Optimal Speed and Accuracy of Object Detection

論文：https://arxiv.org/abs/2004.10934

程式碼：https://github.com/AlexeyAB/darknet

YOLOv4！

YOLOv4 在COCO上，可達43.5％ AP，速度高達 65 FPS！

YOLOv4的特點是集大成者，俗稱堆料。但最終達到這麼高的效能，一定是不斷嘗試、不斷堆料、不斷調參的結果，給作者點贊。下面看看堆了哪些料：

• Weighted-Residual-Connections (WRC)
• Cross-Stage-Partial-connections (CSP)
• Cross mini-Batch Normalization (CmBN)
• Self-adversarial-training (SAT)
• Mish-activation
• Mosaic data augmentation
• CmBN
• DropBlock regularization
• CIoU loss

本文的主要貢獻如下：

1. 提出了一種高效而強大的目標檢測模型。它使每個人都可以使用1080 Ti或2080 Ti GPU 訓練超快速和準確的目標檢測器（牛逼！）。

2. 在檢測器訓練期間，驗證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。

3. 改進了SOTA的方法，使它們更有效，更適合單GPU訓練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標檢測器框架進行拆分：input、backbone、neck 和 head.

具體如下圖所示：

• 對於GPU，作者在卷積層中使用：CSPResNeXt50 / CSPDarknet53
• 對於VPU，作者使用分組卷積，但避免使用（SE）塊-具體來說，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目標是在輸入網路解析度，卷積層數，引數數量和層輸出（filters）的數量之間找到最佳平衡。

總結一下YOLOv4框架：

• Backbone：CSPDarknet53
• Neck：SPP，PAN
• Head：YOLOv3

YOLOv4 =CSPDarknet53+SPP+PAN+YOLOv3

其中YOLOv4用到相當多的技巧：

• 用於backbone的BoF：CutMix和Mosaic資料增強，DropBlock正則化，Class label smoothing
• 用於backbone的BoS：Mish啟用函式，CSP，MiWRC
• 用於檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic資料增強，Self-Adversarial 訓練，消除網格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超引數，Random training shapes
• 用於檢測器的Bos：Mish啟用函式，SPP，SAM，PAN，DIoU-NMS

看看YOLOv4部分元件：

感受一下YOLOv4實驗的充分性（調參的藝術）:

感受一下效能炸裂的YOLOv4實驗結果:

YOLOv5：

2020年2月YOLO之父Joseph Redmon宣佈退出計算機視覺研究領域，2020 年 4 月 23 日YOLOv4 釋出，2020 年 6 月 10 日YOLOv5釋出。

YOLOv5原始碼：

https://github.com/ultralytics/yolov5​github.com

他們公佈的結果表明，YOLOv5 的表現要優於谷歌開源的目標檢測框架 EfficientDet，儘管 YOLOv5 的開發者沒有明確地將其與 YOLOv4 進行比較，但他們卻聲稱 YOLOv5 能在 Tesla P100 上實現 140 FPS 的快速檢測；相較而言，YOLOv4 的基準結果是在 50 FPS 速度下得到的，參閱：https://blog.roboflow.ai/yolov5-is-hereState-of-the-Art

不僅如此，他們還提到「YOLOv5 的大小僅有 27 MB。」對比一下：使用 darknet 架構的 YOLOv4 有 244 MB。這說明 YOLOv5 實在特別小，比 YOLOv4 小近 90%。這也太瘋狂了！而在準確度指標上，「YOLOv5 與 YOLOv4 相當」。

因此總結起來，YOLOv5 宣稱自己速度非常快，有非常輕量級的模型大小，同時在準確度方面又與 YOLOv4 基準相當。

大家對YOLOV5命名是爭議很大，因為YOLOV5相對於YOLOV4來說創新性的地方很少。不過它的效能應該還是有的，現在kaggle上active檢測的比賽小麥檢測前面的選手大部分用的都是YOLOV5的框架。比賽連結：

https://www.kaggle.com/c/global-wheat-detection）​www.kaggle.com

^[1][2]

參考

1. ^V1，V2，V3參考地址：https://blog.csdn.net/App_12062011/article/details/77554288
2. ^V4轉載地址：https://mp.weixin.qq.com/s/Ua3T-DOuzmLWuXfohEiVFw

編輯於 09-08