簡歷描述
· 收集并制作軍事偽裝目標數據集，包含真實與偽裝各種類型軍事目標共計60余類。其中，包含最新戰場充氣偽裝軍事裝備30余類，并為每一張圖片制作了詳細的標注。
· 針對軍事偽裝目標的特點，在YOLOv8的Backbone與Neck部分分別加入分組動態感知注意力、跨通道信息交互模塊，顯著提升了軍事偽裝目標的識別精度。
YOLO
YOLOv1
2016cvpr
作者在v3之后由于軍方用不干了，后續由別人開發
YOLOv2
- 高分辨率如圖
- 加了BN
- 引入錨框
中心點偏移權重來算長寬，讓他不全圖亂跑
錨框中心點雙重約束使得收斂變快
錨框是針對每個圖像網格單元（grid cell）定義的，而不是針對整個圖像。具體來說，YOLOv2（以及YOLO系列的其他版本）在訓練時，對于每個網格單元，會使用多個錨框來預測目標的邊界框。
具體解釋：
每個網格單元有多個錨框：在YOLOv2中，目標圖像被分成一個S x S的網格，每個網格單元負責檢測某個區域內的目標。每個網格單元上會預測多個邊界框（通常是5個），這些框的初始形狀（寬高）是由預定義的錨框確定的。
錨框的數量與每個網格單元的預測數目：每個網格單元會用5個錨框來做預測，這些錨框是根據訓練數據中目標的尺度和寬高比預先確定的（通常通過K-means聚類）。因此，每個網格單元的5個錨框是針對該網格位置的不同尺度和不同寬高比的預測框。
舉個例子：
假設你有一個416x416的圖像，并且網絡將其劃分為13x13的網格（即每個網格的大小為32x32像素）。那么：
圖像的每個網格單元都有5個錨框（這5個錨框的尺寸是根據聚類或其他方法確定的）。
每個網格單元會預測5個邊界框，每個框對應一個錨框。網絡會根據實際物體的位置、尺寸以及錨框的預設位置來進行回歸調整。
錨框和目標物體匹配：
目標物體與網格單元的錨框之間會根據**IoU（Intersection over Union）**來進行匹配。
對于每個物體，選擇與其匹配度最高的錨框。
該錨框會預測物體的邊界框。實際預測的邊界框會根據錨框的位置、寬高進行調整（回歸）。
為什么每個網格單元有多個錨框？
不同的目標物體具有不同的尺寸、形狀（寬高比），單一的錨框無法涵蓋所有物體的特征。因此，YOLOv2設計了每個網格單元使用多個錨框來應對這些變化。多個錨框可以有效地覆蓋不同尺度和不同形狀的物體，從而提高目標檢測的準確性。
總結：
每個網格單元都有多個錨框（通常是5個）。
這些錨框是根據數據集中的目標物體的尺寸和寬高比來預定義的，目的是幫助模型更好地預測不同尺度和形狀的物體。
- 采用特征融合，A+B，殘差連接類似于resnet
- 把圖像縮放不同尺寸輸入訓練
YOLOv3
maxpoll換成卷積，加殘差連接
多個檢測頭，針對大、中、小物體
YOLOv4
- 改進
- spp、pan
pan就是一個思想，深層和主干網絡的融合
spp就是多感受野一個模塊
- 數據增強
圖示已經很清楚的說明了兩個圖像增強策略是什么
相當于在正向的時候給圖片加噪聲，提升魯棒性
改進了歸一化方法，這里不贅述
將標簽變成軟平滑標簽，解決梯度問題
換了激活函數，如圖詳細說明了他更平滑
如圖很詳細說明了一些原因，不贅述
如圖說明很清楚
Iou、GIou、DIou屬于不斷解決原有loss的問題
CIou（DIou pro）屬于在原有的loss上加功能
消除網格敏感性：讓bx，by的范圍變大，然后會出現如下情況
中心點不再限制在一個格子里，相當于三個格子做預測，又有正樣本 閾值去篩選，所以就正樣本變多了
YOLOv5
無論文
只有代碼
但是代碼很具備工業可用性
yolov5 有 n、s、m、l、x不同大小的版本
- 整體概述：
上來肯定是backbone提取不同層級的這個特征，至于backbone肯定是自己選
neck就是一個融合的模塊罷了，他的策略就是一條貪吃蛇
先不斷下采樣再不斷上采樣，其中不斷上采樣涉及到解碼
不斷下采樣也是通過一些模塊就行堆疊，這其中可以控制網絡深度
其次就是引入pan思想，也可理解為是一個不同層級特征去進行重組（在neck中融合 的一種方法），其實是很普遍的方法。 - 數據增強變成用Mixup、另外一個方法還是用Mosaic
- 加入一些訓練策略
- 損失函數
用的CIoU - 同v4有消除網格敏感性，但正樣本錨框篩選不用IoU了，用他自己的方法，如下圖
根據GT的長寬的比例倍數去篩選錨框，不能太大也不能太小
YOLOv8
無論文，只有代碼
由Ultralytics公司2023年1.10發布
支持obb任務（無人機圖像斜著框如下圖，這是我們項目中旋轉的重要原因）
yolov8
yolov8創新點
yolov8結構圖與改進思路
在yolov8.yaml文件中，網絡尺寸大小是是和depth_multiple 和width_multiple 參數控制的！
換neck部分的兩個中間的c2f模塊為分組動態感知注意力
在backbone里面加入TSC挖掘模塊并融合
yolov8重大特點之解耦頭Decoupled Head設計
最后的輸出是兩個特征圖，一個是分類特征圖對應著cls_loss，一個是回歸特征圖box_loss
yolov8重大特點之Anchor-Free設計
傳統的先搞一堆錨框，一個中心點三個，然后生成很多樣本去篩選
現在，不撒錨框、不做匹配，模型直接“看圖說話”，你在哪、你多大、你是誰，全都由網絡自己學。
- Anchor-Based的Anchor數量：(80x80+40x40+20x20)x3=25200 檢測頭數量：9個
- Anchor-Free的預測框數量：80x80+40x40+20x20=8400 （一個grid cell的中心點就對應一個預測框）
檢測頭數量：3個
篩選的話人家自創了一套方法
篩選步驟：
1、獲取三個檢測頭的輸出結果(預測框、概率值)
2、將三個檢測頭的結果映射到同一原圖(640x640),同時將(l,t,r,b)坐標轉化為左上坐標(X_min ,Y_min)和右下坐標(X_max,Y_max)
3、初篩：所有的grid cell的中心點(anchor point)在GT框內的即為初始正樣本
4、提取對應類別的pred_score，計算CIOU計算align_matric=pred_score^0.5 * CIoU^6根據align_matric的值，篩選出top-N作為正樣本
5、處理一個中心點可能匹配到多個GT框的情況，僅保留最大的CIoU的值對應的預測框
其中pred_score 是類別特征圖中對應的最大類別的概率
yolov8重大特點之DFL LOSS設計
主要是為了消除平峰，，得到尖峰
yolov11
主要是網絡結構改的比較大
backbone的c2k換成c3k2
sppf后面加了一個c2psa
yolov12
中科院改的
創新的融入注意力機制
- 網絡圖
可見A2C2f被廣泛使用，A2C2f是A2組成的
保留部分C3k2
- A2的思想，FlashAttention是一個常用的庫
- A2
- R-ELAN
圖示說的很清楚了
- backbone對比
總結就是前面都一樣后面變了，C3k2被A2C2f廣泛的替換了
- 其他的微調
