yolov1
好 ，首先打开我的大脑，看看这一个礼拜听视频课都学了些什么东东
YOLOv1 首次提出将目标检测建模为一个单阶段端到端回归问题，不再依赖候选框生成（如 Selective Search 或 RPN），实现了检测框与类别的统一预测。它将输入图像划分为 S×S 的网格，每个网格预测多个边界框和类别概率。
主干网络是一个受 GoogLeNet 启发、设计简洁的 24 层卷积网络 + 2 层全连接（而不是标准的 VGG），直接提取整图特征。YOLOv1 没有 FPN 或 neck 结构，使用的是单尺度特征图进行预测。每个网格单元输出两个边界框（包含位置和置信度）和一个分类概率分布，实现了统一的检测头设计。
yolov2
- 主干网络：Darknet-19
Anchor机制与输出结构：
不再直接回归目标坐标（YOLOv1 的方式），而是引入 Anchor（先验框）机制。每个 13×13 网格 cell 预测 5 个 Anchor。
每个 Anchor 输出：
边界框参数（tx, ty, tw, th）
目标置信度（objectness score）
类别概率（通过 softmax）
每个 cell 预测的维度是：
每格输出=5×(4+1+C)=5×(边框+置信度+类别)
边界框预测方式（相对 Anchor 回归）：
中心点位置：
𝑏𝑥𝑏_𝑥bx=𝜎(𝑡𝑥𝑡_𝑥tx)+𝑐𝑥𝑐_𝑥cx,𝑏𝑦=𝑏_𝑦=by=𝜎(𝑡𝑦𝑡_𝑦ty)+𝑐𝑦𝑐_𝑦cy
(𝑡𝑥,𝑡𝑦)：模型预测偏移
σ：sigmoid 激活，保证坐标落在当前 grid 内
(cx,cy)：当前 grid 的位置
尺寸（宽高）：
𝑏𝑤=𝑝𝑤⋅𝑒𝑡𝑤𝑏_ 𝑤=𝑝_𝑤⋅𝑒^{𝑡𝑤}bw=pw⋅etw,
𝑏h=𝑝h⋅𝑒𝑡h𝑏_ℎ=𝑝_ℎ⋅𝑒^{𝑡ℎ}bh=ph⋅eth
(tw,tht_w, t_htw,th):预测值
(pw,php_w, p_hpw,ph)：Anchor box 的宽高
Anchor box 的生成方式：（k-Means 聚类）
在 VOC 数据集上聚类出 5 组典型框形状
聚类目标是最小化每个真实框与最近 Anchor 的 IOU 差异
这样每个 Anchor 都有现实意义（不同尺寸/长宽比）
检测头（Head）：检测头由卷积层构成，保持全卷积结构，无需 FC 层。每个 grid cell 预测 5 个 Anchor，各自预测一个完整的检测向量。
neck:YOLOv2 没有 FPN，但使用了一个轻量级特征融合模块：将中间层（如 26×26×512）的特征映射通过 reshape（空间压缩 + 通道扩展）连接到最终层（13×13）。
方式类似于 Inception/ResNet 的 skip connection。
目标是引入更低层的空间细节信息，增强对小目标的检测能力。
多尺度训练（Multi-scale Training）
每隔 10 次迭代随机调整输入图像尺寸：
输入尺寸∈{320,352,…,608},步长为32
所有尺寸能被 32 整除，保证下采样到 13×13。
增强模型对不同分辨率下物体尺度变化的鲁棒性。
训练与损失函数:
YOLOv2 的 loss function 包括三部分：
边界框坐标误差（MSE）
置信度误差（是否包含目标）
类别误差（softmax 交叉熵）
改进点：
使用 IOU 对 Anchor 匹配，而非中心点重合判断
使用 softmax 分类损失（区别于 YOLOv1 的多标签 sigmoid，但是后面yolov3为了适应复杂多标签、多目标检测场景又改回来了）
yolov3
Backbone（特征提取网络）：使用改进的 Darknet-53 代替 YOLOv2 中的 Darknet-19
共 53 层卷积 + 残差结构，与 ResNet 相似；
使用 3×3 和 1×1 卷积核交替堆叠；
所有卷积层均后接 BN + LeakyReLU；
整个网络参数量约 62M，计算量高于 YOLOv2，但仍比 ResNet-101 快
Neck（多尺度特征融合）：引入 **FPN（Feature Pyramid Network）**思想，实现多尺度检测
Head（预测模块）：在三个尺度（13×13, 26×26, 52×52）分别进行检测，并预测 bounding box、objectness、class 置信度。
类别预测：独立 sigmoid + 多标签二分类损失
Bounding Box 预测机制
YOLOv3 沿用 YOLOv2 的 anchor-based 机制
yolov4
yolov3之后就不是yolo原作者了，v4没有什么原创的设计，但是做了相当多的对比实验，把很多当时有效果的模块或是创新都用上了
Backbone：CSPDarknet53
加入 CSP（Cross Stage Partial Network） 结构：
将特征图分成两部分，一部分直接传递，一部分进入残差模块，最后融 合；这样减少重复计算，防止梯度信息冗余，加快速度、提升准确率；在前几层使用 Mish 激活函数（训练更稳定）。
Neck：SPP + PANet
SPP（Spatial Pyramid Pooling）
在主干输出后添加一个 SPP 模块（包含 1x1, 5x5, 9x9, 13x13 池化核）；
用于扩大感受野并提升对大物体的识别能力；
不增加参数量和计算量。PANet（Path Aggregation Network）
替代 YOLOv3 中的 FPN；
自底向上的路径增强了低层语义信息的传播；
更好地融合了不同尺度的特征图。Head：与 YOLOv3 相同
在 3 个尺度（13x13、26x26、52x52）进行 anchor-based 的边框预测；
每个尺度分配 3 个 anchors；
预测的仍然是 4 个 bbox + 1 objectness + 80 类别。
Loss 与正负样本分配
使用 CIOU Loss 代替 YOLOv3 中的 IOU/MSE：
更好地考虑了中心点距离、重叠面积、宽高一致性。
同时改进了 anchor 匹配机制，使正负样本分配更合理（避免大量负样本主导损失）。
训练技巧与数据增强（Bag of Freebies & Specials）
YOLOv4 引入了大量实用训练 trick，大致分为两类：Bag of Freebies（训练增强，不增加推理开销）
Mosaic Augmentation：将 4 张图像拼接，极大提高检测鲁棒性；
MixUp / CutMix：图像融合策略，改善泛化能力；
DropBlock 正则化：比 Dropout 更适合 CNN；
Label Smoothing：平滑 one-hot 标签，避免过拟合；
Cosine Annealing 学习率调度；
EMA 模型权重滑动平均；
Self-adversarial training（SAT）：先扰动图像再训练，增强对抗鲁棒性。Bag of Specials（增加一点计算，提升表现）
CSPNet
Mish 激活函数
SPP
PANet
CIOU Loss
yolov5
| 项目 | YOLOv4 | YOLOv5 |
|---|---|---|
| 实现语言 | C/C++ + Darknet | Python + PyTorch（工程更友好） |
| 训练配置 | 手动配置 .cfg 文件 |
使用 YAML 文件 + Python 配置 |
| ONNX 导出支持 | 依赖手动转换 | 原生支持 ONNX / TensorRT 导出 |
| 模型尺寸（v5s） | 比 YOLOv4-tiny 还要小 | 轻量化版本（v5s）仅几 MB |
| 模型系列 | 单一 YOLOv4 模型 | v5s, v5m, v5l, v5x 多种轻重模型可选 |
| 训练工具 | 不含完整 pipeline | 包含训练脚本、验证、导出、推理一整套工具 |
| 模块 | YOLOv4 | YOLOv5（改进） |
|---|---|---|
| Backbone | CSPDarknet53 + Mish | CSPDarknet + SiLU（效率更高） |
| Neck | FPN + PAN + SAM | PAN（轻量） |
| Head | 固定 head + GIoU loss | 模块化 head + CIoU loss |
| 工程 | Darknet 训练需 C/C++ 编译 | 全 PyTorch 实现，支持导出/部署/迁移学习 |
| 模型管理 | .cfg 配置手动 | YAML 配置 + CLI 脚本 + 多模型支持 |
- Focus模块
结构如下：
将 640x640x3 图像切成 4 份：左上、右上、左下、右下
拼接成 320x320x12
再做 Conv(3x3) 降维为 32 通道
由于部署容易出问题，这个模块在后面v8 和 v11中直接用步长为2的卷积代替了
- C3 模块
CSPBlock 改进 → 多个 Bottleneck + Shortcut + 分支残差结构
激活函数：SiLU(x) = x * sigmoid(x)
相比 YOLOv4 的 Mish 激活，数值稳定性更高、收敛更快
Mish 计算复杂，不利于部署
SiLU 是 PyTorch 原生支持，速度快，兼容 ONNX
- SPPF 模块：YOLOv5 改进了 YOLOv4 中的 SPP 模块
使用 1 个 5x5 MaxPool 重复堆叠 3 次
然后 concat 输出，提取不同感受野信息
优化了PANet的实现，PANet + SAM - > PANet + C3，去掉注意力提升速度
yolov8
| 项目 | YOLOv5 | YOLOv8 |
|---|---|---|
| 检测类型 | Anchor-based | Anchor-free（预测中心点 + box） |
| 框架基础 | PyTorch，模块化 | PyTorch，完全模块化，清晰分层 |
| 应用范围 | 检测、分割 | 检测、分割、关键点、分类、多标签支持 |
| 模型命名 | v5s/m/l/x | v8n/s/m/l/x（更广泛轻重权衡） |
YOLOv8 Backbone 使用了：
C2f 模块（替代 C3）
更标准的 BN + SiLU 顺序
更小的模型参数量，但保留高表达力
| 项目 | YOLOv5 | YOLOv8 |
|---|---|---|
| 回归损失 | GIoU / DIoU / CIoU | Distribution Focal Loss（DFL） |
| 分类损失 | BCE | BCE + Quality Focal Loss（QFL） |
| 匹配策略 | 静态匹配（基于 IoU） | 动态匹配（基于 cost） |
引入 DFL、QFL 后：
提高小目标回归精度
训练更平稳
提高精度（尤其是在大目标和遮挡物上）
yolov11
引入 Transformer backbone（增强全局上下文建模），对小目标识别尤为有效。
C2PSA 模块（Cross-Stage Partial + Position-sensitive Spatial Attention）载入部分空间注意机制，改善对细节与遮挡物体的识别能力
C3K2 结构替代 C2f / C3
C3K2 block：基于小卷积（3×3）构建的改进 CSP 模块，融合多个 Bottleneck，更轻量且提升表达能力。
SPFF 模块（优化版 SPPF）
沿用并优化 SPPF 模块（Spatial Pyramid Pooling Fast），加强多尺度特征接收野，尤其小目标表现更好。
Dynamic Head（动态头设计）
支持 输入复杂度自适应的动态 head 结构，分配计算资源智能，对富细节图像可提升精度，简化重复处理