目标检测算法：对比YOLOv3、YOLOv5、YOLOv8

目标检测

YOLOv3

数据处理

• 可输入任意大小的图片（特征图大小最好是32倍数）
• Anchor：K-Means聚类+IOU+NMS

模型结构

• Backbone
  • Darknet53
    • 无最大池化，步长2卷积层进行下采样
    • 每个Conv后 + BN + LeakyReLU
    • 引入残差结构
    • 中间层和某一层上采样拼接
  • 模块
    • CBL = Conv + BN + LeakyReLU
    • ResUnit = CBL + 残差
    • ResX = CBL + N个ResUnit
• Head
  • Conf置信度：Logistic分类器（逻辑回归预测每个框的置信度分数）
  • Cls分类：BCELoss
  • Bbox目标框：MSELoss

YOLOv5

数据处理

• 马赛克增强
• Anchor-Based，K-means计算锚框（自适应锚框）

模型结构

• Backbone
  • 输入进行特征提取
  • CSPDarkNet53或ResNet网络
  • 模块
    • CBS = Conv2d + BN + SILU
    • C3 = Conv + ResNet + Add + Concat
    • SPPF = Conv + Maxpool + Concat
• Neck
  • FPN特征金字塔：上采样+下采样+横向连接，多尺度特征融合
  • 自顶向下：上采样融合不同层次特征融合
  • 自底向上：卷积层融合不同层次特征图
• Head
  • Conf置信度：BCELoss
  • Cls分类：BCELoss
  • Bbox目标框：CIOU

迭代

• 300

YOLOv8

数据处理

• Mosaic增强
• CutMix、Mixup增强
• Anchor-Free无锚框

模型结构

• Backbone
  • CSPDarkNet
  • C3–>C2f
• Neck
  • PANet，一个双向通路网络，引入了自下向上的路径
• Head
  • Cls分类：BCELoss
  • Bbox目标框：CIOU + DFL（Distribution Focal Loss）

迭代

• 500
• 最后10轮，Mosaic增强替换为推理式的Letter box