简历描述

· 收集并制作军事伪装目标数据集，包含真实与伪装各种类型军事目标共计60余类。其中，包含最新战场充气伪装军事装备30余类，并为每一张图片制作了详细的标注。
· 针对军事伪装目标的特点，在YOLOv8的Backbone与Neck部分分别加入分组动态感知注意力、跨通道信息交互模块，显著提升了军事伪装目标的识别精度。

YOLO

YOLOv1

2016cvpr
作者在v3之后由于军方用不干了，后续由别人开发

YOLOv2

• 高分辨率如图

• 加了BN
• 引入锚框
  中心点偏移权重来算长宽，让他不全图乱跑
  锚框中心点双重约束使得收敛变快

锚框是针对每个图像网格单元（grid cell）定义的，而不是针对整个图像。具体来说，YOLOv2（以及YOLO系列的其他版本）在训练时，对于每个网格单元，会使用多个锚框来预测目标的边界框。
具体解释：
每个网格单元有多个锚框：在YOLOv2中，目标图像被分成一个S x S的网格，每个网格单元负责检测某个区域内的目标。每个网格单元上会预测多个边界框（通常是5个），这些框的初始形状（宽高）是由预定义的锚框确定的。
锚框的数量与每个网格单元的预测数目：每个网格单元会用5个锚框来做预测，这些锚框是根据训练数据中目标的尺度和宽高比预先确定的（通常通过K-means聚类）。因此，每个网格单元的5个锚框是针对该网格位置的不同尺度和不同宽高比的预测框。
举个例子：
假设你有一个416x416的图像，并且网络将其划分为13x13的网格（即每个网格的大小为32x32像素）。那么：
图像的每个网格单元都有5个锚框（这5个锚框的尺寸是根据聚类或其他方法确定的）。
每个网格单元会预测5个边界框，每个框对应一个锚框。网络会根据实际物体的位置、尺寸以及锚框的预设位置来进行回归调整。
锚框和目标物体匹配：
目标物体与网格单元的锚框之间会根据**IoU（Intersection over Union）**来进行匹配。
对于每个物体，选择与其匹配度最高的锚框。
该锚框会预测物体的边界框。实际预测的边界框会根据锚框的位置、宽高进行调整（回归）。
为什么每个网格单元有多个锚框？
不同的目标物体具有不同的尺寸、形状（宽高比），单一的锚框无法涵盖所有物体的特征。因此，YOLOv2设计了每个网格单元使用多个锚框来应对这些变化。多个锚框可以有效地覆盖不同尺度和不同形状的物体，从而提高目标检测的准确性。
总结：
每个网格单元都有多个锚框（通常是5个）。
这些锚框是根据数据集中的目标物体的尺寸和宽高比来预定义的，目的是帮助模型更好地预测不同尺度和形状的物体。

• 采用特征融合，A+B，残差连接类似于resnet
• 把图像缩放不同尺寸输入训练

YOLOv3

maxpoll换成卷积，加残差连接

多个检测头，针对大、中、小物体

YOLOv4

• 改进

• spp、pan
  

pan就是一个思想，深层和主干网络的融合
spp就是多感受野一个模块

• 数据增强

图示已经很清楚的说明了两个图像增强策略是什么

相当于在正向的时候给图片加噪声，提升鲁棒性

改进了归一化方法，这里不赘述

将标签变成软平滑标签，解决梯度问题

换了激活函数，如图详细说明了他更平滑

如图很详细说明了一些原因，不赘述

如图说明很清楚

Iou、GIou、DIou属于不断解决原有loss的问题
CIou（DIou pro）属于在原有的loss上加功能

消除网格敏感性：让bx，by的范围变大，然后会出现如下情况

中心点不再限制在一个格子里，相当于三个格子做预测，又有正样本 阈值去筛选，所以就正样本变多了

YOLOv5

无论文
只有代码
但是代码很具备工业可用性
yolov5 有 n、s、m、l、x不同大小的版本

• 整体概述：
  上来肯定是backbone提取不同层级的这个特征，至于backbone肯定是自己选
  neck就是一个融合的模块罢了，他的策略就是一条贪吃蛇
  先不断下采样再不断上采样，其中不断上采样涉及到解码
  不断下采样也是通过一些模块就行堆叠，这其中可以控制网络深度
  其次就是引入pan思想，也可理解为是一个不同层级特征去进行重组（在neck中融合 的一种方法），其实是很普遍的方法。
• 数据增强变成用Mixup、另外一个方法还是用Mosaic
• 加入一些训练策略
  
• 损失函数
  用的CIoU
• 同v4有消除网格敏感性，但正样本锚框筛选不用IoU了，用他自己的方法，如下图
  
  
  根据GT的长宽的比例倍数去筛选锚框，不能太大也不能太小

YOLOv8

无论文，只有代码
由Ultralytics公司2023年1.10发布
支持obb任务（无人机图像斜着框如下图，这是我们项目中旋转的重要原因）
yolov8

yolov8创新点

yolov8结构图与改进思路

在yolov8.yaml文件中，网络尺寸大小是是和depth_multiple 和width_multiple 参数控制的！

换neck部分的两个中间的c2f模块为分组动态感知注意力
在backbone里面加入TSC挖掘模块并融合

yolov8重大特点之解耦头Decoupled Head设计

最后的输出是两个特征图，一个是分类特征图对应着cls_loss，一个是回归特征图box_loss

yolov8重大特点之Anchor-Free设计

传统的先搞一堆锚框，一个中心点三个，然后生成很多样本去筛选
现在，不撒锚框、不做匹配，模型直接“看图说话”，你在哪、你多大、你是谁，全都由网络自己学。

• Anchor-Based的Anchor数量：(80x80+40x40+20x20)x3=25200 检测头数量：9个
• Anchor-Free的预测框数量：80x80+40x40+20x20=8400 （一个grid cell的中心点就对应一个预测框）
  检测头数量：3个

筛选的话人家自创了一套方法
筛选步骤：
1、获取三个检测头的输出结果(预测框、概率值)
2、将三个检测头的结果映射到同一原图(640x640),同时将(l,t,r,b)坐标转化为左上坐标(X_min ,Y_min)和右下坐标(X_max,Y_max)
3、初筛：所有的grid cell的中心点(anchor point)在GT框内的即为初始正样本
4、提取对应类别的pred_score，计算CIOU计算align_matric=pred_score^0.5 * CIoU^6根据align_matric的值，筛选出top-N作为正样本
5、处理一个中心点可能匹配到多个GT框的情况，仅保留最大的CIoU的值对应的预测框
其中pred_score 是类别特征图中对应的最大类别的概率

yolov8重大特点之DFL LOSS设计

主要是为了消除平峰，，得到尖峰

yolov11

主要是网络结构改的比较大
backbone的c2k换成c3k2
sppf后面加了一个c2psa

yolov12

中科院改的
创新的融入注意力机制

• 网络图

可见A2C2f被广泛使用，A2C2f是A2组成的
保留部分C3k2

• A2的思想，FlashAttention是一个常用的库

• A2

• R-ELAN
  图示说的很清楚了
  
• backbone对比
  总结就是前面都一样后面变了，C3k2被A2C2f广泛的替换了

• 其他的微调