【下篇】从 YOLOv1 到 YOLOv8 的 YOLO 物体检测模型历史

YOLO 型号之所以闻名遐迩，主要有两个原因：其速度和准确性令人印象深刻，而且能够快速、可靠地检测图像中的物体。上回我解释了YoloX， 今天从Yolov6开始。

YOLOv6：面向工业应用的单级物体检测框架

美团视觉人工智能事业部（Meituan Vision AI Department）于 2022 年 9 月在 ArXiv 上发表了《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》

与 YOLOv4 和 YOLOv5 类似，它为工业应用提供了不同尺寸的各种型号。

随着基于锚点的方法的发展趋势，YOLOv6 采用了无锚点检测器。

YOLOv6-L 在 NVIDIA Tesla T4 上以约 50 FPS 的速度实现了 52.5% 的 AP 和 70% 的 AP50。

YOLOv7

2022 年 7 月，YOLOv4 和 YOLOR 的作者在 ArXiv 上发表了 YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors。

该物体检测器在 5 FPS 到 160 FPS 的速度和精确度上都超越了其他所有物体检测器。与 YOLOv4 一样，YOLOv7 也是完全在 MS COCO 数据集上训练的，没有使用预先训练的骨干。

YOLOv7 架构有三大特点：用于高效学习的 E-ELAN、针对不同规模的模型扩展，以及提高准确性和效率的 "bag-of-freebies "方法。E-ELAN 控制深度模型的梯度路径，而模型扩展则根据硬件使用情况调整属性。

"bag-of-freebies"方法包括重新参数化，可提高模型的性能。

最新的 YOLOv7 模型性能超过了 YOLOv4，参数