为什么YOLO在目标检测领域如此流行？( 四 ) _模型

4- 标签分配
作者引入了，一种更强大的标签分配策略，而不是使用交并比（IoU）方法。不仅减少了训练时间，还避免了额外的超参数问题，从而实现了最先进的结果。此外，它将检测mAP提高了3％。
相较于其他版本，没有发表研究论文，是第一个在中实现而非的YOLO版本。
由Glenn 于2020年6月发布，与类似，使用作为其架构的主干。发布包括五种不同的模型大小：（最小）、、和（最大）。
架构中的一个主要改进是集成了Focus层，由单个层表示，通过替换的前三层来创建。该集成减少了层数和参数数量，并且在不对mAP产生重大影响的情况下增加了前向和后向速度。
以下插图比较了和之间的训练时间。
- 一种面向工业应用的单阶段物体检测框架
由中国电商公司美团推出的(MT-) 框架专门针对工业应用进行了硬件友好的高效设计和高性能的优化。
该框架是用编写的，虽然不是官方 YOLO 的一部分，但其主干受到了原始单阶段 YOLO 架构的启发而被命名为。
相对于先前的，在硬件友好的主干和颈部设计、高效的解耦头部和更有效的训练策略方面引入了三项重大改进。
如下所示，在 COCO 数据集上的准确性和速度方面相对于先前的 YOLO 版本都有了显著提高。
- 可训练的免费工具包为实时目标检测器设定了新的技术水平
于2022年7月发布，文章名为“训练免费工具包为实时目标检测器设定了新的技术水平” 。这个版本在目标检测领域取得了重大进展，其在准确性和速度方面均超过了以前的所有模型。
在其(1)架构和(2)可训练免费工具包层面上进行了重大改变：
1- 架构层面
通过集成扩展高效层聚合网络（E-ELAN）来改进其架构，从而使模型学习更多样化的特征，以便更好地进行学习。
此外，通过连接其派生模型的架构，如、和YOLO-R，来扩展其架构，从而使模型满足不同推理速度的需求。
2- 可训练的免费工具包
“免费工具包”一词指的是提高模型准确性而不增加训练成本的方法，这就是为什么不仅提高了推理速度，还提高了检测准确性的原因。
是一种尖端的、最先进的 (SOTA) 模型，它建立在以前成功的 YOLO 版本的基础上，并引入了新功能和改进以进一步提高性能和灵活性。
与其他 YOLO 的比较 [来源： ]
【为什么YOLO在目标检测领域如此流行？】它使用无锚检测和新的卷积层来使预测更加准确。