=== yoloV4 ===
**结构**
    * **Backbone**：DarkNet53 => CSPDarkNet53(相较于yoloV3)
    * **Neck**：SPP，PAN
    * **Prediction**：YOLOv3
    *YOLOV4的模型结构如下：
    {{:yolov4.png?600|}}

    *SPP:能够极大地增加感受野，分离出最显著的上下文特征。
    *PAN:有一个非常重要的特点就是特征的反复提取。

**实现**
    *[[https://github.com/bubbliiiing/yolov4-pytorch|pytorch-实现YOLOV4代码]]
    *[[https://github.com/bubbliiiing/yolov4-keras|keras-实现YOLOV4代码]]
    *[[https://github.com/bubbliiiing/yolov4-tf2|TensorflowV2-实现YOLOV4代码]]
    *[[https://arxiv.org/pdf/2004.10934.pdf|官方YOLOV4代码]]

** 论文**
    *[[https://arxiv.org/pdf/2004.10934.pdf|yoloV4论文]]
=== yoloV5 ===
**结构**
    * **输入端**：Mosaic数据增强、自适应锚框计算、自适应图片缩放
    * **Backbone**：Focus结构，CSP结构
    * **Neck**：FPN+PAN结构
    * **Prediction**：GIOU_Loss
    * YoloV5提供四种模型Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中s的速度最快，精准度最低；x的速度最慢，精准度最高；
    * YOLOV5的模型结构如下
    {{:yolov5.png?600|}}

    * 1).把每个输入图片划分成不同的网格(19*19,38*38,76*76)，每个网格点负责一个区域的检测，只要物体中心落在这个区域，这个物体就由这个网格点来确定。
    * 2).通过一系列特征提取卷积、残差卷积激活以及标准化，将特征划分为三种大小的特征。
    * 3).通过Neck部分将三种大小的特征进行金字塔融合
    * 4).最终对融合的三层数据进行卷积获得最终预测结果

**实现**
    * [[https://blog.csdn.net/qq_36756866/article/details/109111065|YoloV5训练自己数据集详细教程]]


=== yolo系列特点 ===
**优点：**
    * YOLO检测速度非常快。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
    * YOLO 实时检测的平均精度是其他实时监测系统的两倍。
**缺点：**
    * 相比二阶段系列的网络识别定位误差较大
    * YOLO对相互靠近的物体，以及很小的群体检测效果不好
**YOLOV5相比于YOLOV4**
    * YOLO V4 在性能上优于YOLO V5，但是在灵活性与速度上弱于YOLO V5。由于YOLO V5仍然在快速更新（还未被官方认证，论文还未出）
    * 不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果
    * YOLOV5s网络速度非常之快