YOLOv5/v8/v10/v11详细介绍：网络结构，创新点

《博主简介》

小伙伴们好，我是阿旭。专注于人工智能、AIGC、python、计算机视觉相关分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与机器学习】，共同学习交流~
👍感谢小伙伴们点赞、关注！

《------往期经典推荐------》

一、AI应用软件开发实战专栏【链接】

二、机器学习实战专栏【链接】，已更新31期，欢迎关注，持续更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】
五、YOLOv8改进专栏【链接】，持续更新中~~
六、YOLO性能对比专栏【链接】，持续更新中~

《------正文------》

引言

YOLO（You Only Look Once）是一种流行的计算机视觉算法，用于实现实时对象检测。它由Joseph Redmon等人首次在2015年提出，并随后进行了多次改进。YOLO的核心思想是将整个图像划分为一个固定数量的格子（grid cells），然后在每个格子内同时预测多个边界框（bounding boxes）和类别概率。

YOLOv5、YOLOv8、YOLOv10、YOLOv11是YOLO系列中最经典且常用的4个系列版本，他们均是基于先前YOLO版本在目标检测任务上的成功，对模型结构进行不断地优化改进，从而不断提升了性能和灵活性，在精度和速度方面都具有尖端性能。下面对这3个系列的模型进行简要介绍。

YOLOv5简介

源码地址：https://github.com/ultralytics/yolov5

YOLOv5算法是目前应用最广泛的目标检测算法之一，它基于深度学习技术，在卷积神经网络的基础上加入了特征金字塔网络和SPP结构等模块，从而实现了高精度和快速检测速度的平衡。

基本网络结构如下：

YOLOV5有YOLOv5n, YOLOv5s、YOLOv5m、YOLOv51、YOLOv5x五个版本。这几个模型的结构基本一样，不同的是depth_multiple模型深度和width_multiple模型宽度这两个参数。对应模型的深度与宽度因子，随着因子值的增大，模型不断加深、加宽。

YOLOv5不同模型尺寸信息：
YOLOv5提供了5种不同大小的模型尺寸信息，以及在coco数据集上的性能表现如下：

YOLOv5算法创新点：

1. Anchor-free设计：传统目标检测算法中需要先确定物体位置并给出候选框，但yolov5采用了无锚设计方式，直接预测物体的位置和大小，从而避免了候选框对检测性能的影响。
2. 多尺度检测：yolov5算法可以精确检测到不同尺度、各种形状和姿态的目标，具有很好的适应性。
3. 目标定位精确：yolov5通过导出中心点坐标来实现目标的精准定位，并且在分类和回归两个方面都进行优化，从而提高了目标检测精度。
4. 检测速度快：采用高效计算方法，并利用GPU等硬件加速技术，使得yolov5算法在保证高精度的同时，具有非常快的检测速度。

YOLOv8简介

源码地址：https://github.com/ultralytics/ultralytics

Yolov8是一个SOTA模型，它建立在Yolo系列历史版本的基础上，并引入了新的功能和改进点，以进一步提升性能和灵活性，使其成为实现目标检测、图像分割、姿态估计等任务的最佳选择。其具体创新点包括一个新的骨干网络、一个新的Ancher-Free检测头和一个新的损失函数，可在CPU到GPU的多种硬件平台上运行。

YOLOv8网络结构如下：

YOLOv8创新点：

Yolov8主要借鉴了Yolov5、Yolov6、YoloX等模型的设计优点，其本身创新点不多，偏重在工程实践上，具体创新如下：

• 提供了一个全新的SOTA模型（包括P5 640和P6 1280分辨率的目标检测网络和基于YOLACT的实例分割模型）。并且，基于缩放系数提供了N/S/M/L/X不同尺度的模型，以满足不同部署平台和应用场景的需求。
• Backbone：同样借鉴了CSP模块思想，不过将Yolov5中的C3模块替换成了C2f模块，实现了进一步轻量化，同时沿用Yolov5中的SPPF模块，并对不同尺度的模型进行精心微调，不再是无脑式一套参数用于所有模型，大幅提升了模型性能。
• Neck：继续使用PAN的思想，但是通过对比YOLOv5与YOLOv8的结构图可以看到，YOLOv8移除了1*1降采样层。
• Head部分相比YOLOv5改动较大，Yolov8换成了目前主流的解耦头结构(Decoupled-Head)，将分类和检测头分离，同时也从Anchor-Based换成了Anchor-Free。
• Loss计算：使用VFL Loss作为分类损失(实际训练中使用BCE Loss)；使用DFL Loss+CIOU Loss作为回归损失。
• 标签分配：Yolov8抛弃了以往的IoU分配或者单边比例的分配方式，而是采用Task-Aligned Assigner正负样本分配策略。

YOLOv8不同模型尺寸信息：
YOLOv8提供了5种不同大小的模型尺寸信息，详情如下：

一般来说,选择模型大小的原则如下:
数据集小(几百张图片):使用yolov8n或yolov8s。过大模型会过拟合。
数据集中等(几千张图片):yolov8s或yolov8m。能获得较高精度,不易过拟合。
数据集大(几万张图片):yolov8l或yolov8x。模型容量大,充分拟合大数据量,能发挥模型效果。
超大数据集(几十万张以上):首选yolov8x。超大模型才能处理海量数据并取得最优效果。

YOLOv10简介

论文地址：https://arxiv.org/abs/2405.14458
源码地址：https://github.com/THU-MIG/yolov10

YOLOv10 的架构建立在以前 YOLO 模型的优势之上，通过消除非最大抑制 （NMS） 和优化各种模型组件， 实现了最先进的性能，并显著降低了计算开销。
网络结构如下：

模型网络结构由以下组件组成：
主干：YOLOv10 中的主干网负责特征提取，使用增强版的 CSPNet（Cross Stage Partial Network）来改善梯度流并减少计算冗余。
颈部：颈部被设计成聚合来自不同尺度的特征，并将它们传递到头部。它包括 PAN（路径聚合网络）层，用于有效的多尺度特征融合。
一对多头：在训练过程中为每个对象生成多个预测，以提供丰富的监督信号，提高学习准确性。
一对一头：在推理过程中为每个对象生成一个最佳预测，消除对 NMS 的需求，从而减少延迟并提高效率。
YOLOv10创新点如下
无 NMS 训练：利用一致的双重分配来消除对 NMS 的需求，从而减少推理延迟。
整体模型设计：从效率和精度两个角度对各种组件进行全面优化，包括轻量级分类头、空间通道解耦下采样和秩引导块设计。
增强的模型功能：整合大核卷积和部分自注意力模块，可在不增加大量计算成本的情况下提高性能。

YOLOv10不同模型尺寸信息：

YOLOv10 提供6种不同的型号规模模型，以满足不同的应用需求：

YOLOv10-N：Nano 版本，适用于资源极度受限的环境。
YOLOv10-S：平衡速度和精度的小型版本。
YOLOv10-M：通用的中型版本。
YOLOv10-B：平衡版本，宽度增加，精度更高。
YOLOv10-L：大版本，以增加计算资源为代价，实现更高的精度。
YOLOv10-X：超大版本，可实现最大的精度和性能。

YOLO11简介

源码地址：https://github.com/ultralytics/ultralytics

Ultralytics YOLO11是一款尖端的、最先进的模型，它在之前YOLO版本成功的基础上进行了构建，并引入了新功能和改进，以进一步提升性能和灵活性。YOLO11设计快速、准确且易于使用，使其成为各种物体检测和跟踪、实例分割、图像分类以及姿态估计任务的绝佳选择。

基本网络结构如下：

YOLO11创新点如下:

YOLO 11主要改进包括：
增强的特征提取：YOLO 11采用了改进的骨干和颈部架构，增强了特征提取功能，以实现更精确的目标检测。
优化的效率和速度：优化的架构设计和优化的训练管道提供更快的处理速度，同时保持准确性和性能之间的平衡。
更高的精度，更少的参数：YOLO11m在COCO数据集上实现了更高的平均精度（mAP），参数比YOLOv8m少22%，使其在不影响精度的情况下提高了计算效率。
跨环境的适应性：YOLO 11可以部署在各种环境中，包括边缘设备、云平台和支持NVIDIA GPU的系统。
广泛的支持任务：YOLO 11支持各种计算机视觉任务，如对象检测、实例分割、图像分类、姿态估计和面向对象检测（OBB）。

YOLO11不同模型尺寸信息：

YOLO11 提供5种不同的型号规模模型，以满足不同的应用需求：

好了，这篇文章就介绍到这里，喜欢的小伙伴感谢给点个赞和关注，更多精彩内容持续更新~~
关于本篇文章大家有任何建议或意见，欢迎在评论区留言交流！