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 |