深度学习: 从YOLOv1到YOLOv3
Introduction
从YOLOv1到YOLOv3，YOLO系独树一帜，自成一派，是检测算法领域的一股(朵)清(奇)流(葩)。
YOLOv1
论文地址：You Only Look Once: Unified, Real-Time Object Detection
是one-stage系检测算法的鼻祖。即只通过一个stage就直接输出bbox和类别标签：
原理是将每张输入图片等分地化为S×SS×SS\times S个grid进行预测：
其网络结构如下：
关于YOLOv1的详细解读，请参见我的另一篇博客：YOLO: Unified, Real-Time Object Detection 笔记
YOLOv2
论文地址：YOLO9000: Better, Faster, Stronger
作者通过发明的一系列骚操作（Dimension Clusters、Direct location prediction、Multi-Scale Training、DarkNet-19），再加上博采众长，共同构成了此篇神作。创新点很多，也因此获得了2017CVPR最佳论文提名奖。
Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则 删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体：
Direct location prediction (直接位置预测) 。用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定：
看detection的主流backbone VGG-16不顺眼，嫌弃它计算量太大（224×224的图像需要计算30.69 billion次浮点运算），于是自己咔咔咔整了个DarkNet-19出来：
关于YOLOv2的详细解读，请参见我的另一篇博客：YOLO9000: Better, Faster, Stronger 笔记
YOLOv3
论文地址：YOLOv3: An Incremental Improvement 笔记
在保证较高检测速度的情况下，大大提升了YOLO系算法的检测精度：
把DarkNet-19玩到了DarkNet-53：
对于小物体的漏检情况得到了很大的改善：
关于YOLOv3的详细解读，请参见我的另一篇博客：YOLOv3: An Incremental Improvement
Summary
相信马上会有YOLOv4、YOLOv5等后传被作者做出来。静待。
[1] YOLO: Unified, Real-Time Object Detection 笔记 [2] YOLO9000: Better, Faster, Stronger 笔记 [3] YOLOv3: An Incremental Improvement 笔记 [4] You Only Look Once: Unified, Real-Time Object Detection [5] YOLO9000: Better, Faster, Stronger [6] YOLOv3: An Incremental Improvement [7] 物体检测论文-YOLO系列