YOLO V1到V3

YOLO

YOLO是stage one和real-time detector检测方法的鼻祖。速度高达45fps，fast YOLO达到155fps。
将图片划分为S x S的网格，在每个网格中预测B个Bounding box和一个confidence score，这个score由所有box 共享。故YOLO最终输出tensor个数是S * S * (B*5 + C)，其中C是class的个数。
YOLO的结构如上图，基于LeNet，24 x 卷积层 + 2 x FC层。

对自动驾驶来说，YOLOv1实时性够，但是精度太差；由于小物体的信息在conv和pooling中损失，而YOLO只关注最后卷积后的信息，所以对小物体表现较差；每个网格内只能检测出一类物体（SSD改进），往往选用FPN(+Faster R-CNN)。

YOLOv2

相比YOLO：
1.提高了输入图片的分辨率
2.引入了anchor box
3.优化结构

anchor box

对每个检测出的中心点，取多种不同比例的可能的候选窗口（不懂anchorbox到底怎么生成和使用。。估计得看看faster RCNN的文献）

优化结构

使用1x1卷积层来替代v1中的全连接层，解除了v1中使用固定节点数的全连接层而对输入图片大小产生的限制。
参考VGG，使用大量3x3卷积核，池化操作使图片尺寸减半后，总是使通道数翻倍。网络使用了全局平均池化（global average pooling），把 1 * 1 的卷积核置于 3 * 3 的卷积核之间，用来压缩特征。使用batch normalization稳定模型。最终对应的模型是Darknet-19。

Batch Normalization

卷积层全部使用Batch Normalization。

K-Means

Faster R-CNN的anchor box由经验设定，网络随后在训练中调整其尺寸。YOLOv2使用K-Means对训练集的bounding box聚类，寻找anchor box合适的大小和比例。
K-Means通常使用欧氏距离，这会导致一个问题，当尺寸大时。其误差也更大，为了解决这个问题，通过IOU来定义特定的距离函数：D = 1 - IOU。综合考虑模型的效率和recall值，采用K=5.

多种输入图像尺寸

每迭代训练几次后会微调输入尺寸，具体次数与设置文件中的random有关。

YOLOv3

bbox的分类方法从softmax换成了逻辑回归。
采用了3种scale，使用leaky relu**函数，加深网络至53层，提升了精度，特别是小物体的精度，但是速度减慢一半。