名称

核心思想

改进

优点

缺点

YOLOv1

直接在输出层对Box的位置和类别进行回归

快速；误检率低；通用性强

只支持与训练图像相同的输入分辨率；优化过程抗扰能力差。

YOLOv2

同时在检测数据集和分类数据集上训练物体检测器

批量归一化；高分辨率图像分类器；使用先验框；聚类提取先验框的尺度信息；约束预测边框的位置

预测准确高；处理速度快；识别对象类型多

定位准确率不高；召回率低

YOLOv3

用3种不同的网格来划分原始图像

多尺度预测；基础分类网络优化；3分类器采用新的损失函数

预测类型广；训练数据量减少

贝叶斯估计应用存在问题

YOLOv4

与YOLOv3相同

将原来的Darknet53结构换成了CSPDarknet53

处理速度更快

召回低

YOLOv5

加深加宽网络

自适应图片缩放；采用CIOU损失函数

保证准确率，速度又一步提升

增加了计算量