自2016年YOLOv1发布至今的十年里，YOLO的核心版本已一路演进到了v26——不过这其中包含了一次版本大跳跃：官方为了统一命名规范，直接跳过了v13到v25。

回想起我使用YOLO的历程：从只会用官方的COCO数据集训练，到使用MMLab的各种训练框架，再到自己修改数据集、魔改模型结构，最后进行TensorRT的量化部署。一路走来，我竟没有仔细读过YOLO的论文，只是一味地用最新版。今天，我决定趁着这几个月集中读论文的契机，把整个YOLO系列论文好好读一遍。

YOLOv1由YOLO之父Joseph Redmon在2016年发布，v1到v3的更新也由他完成。但2020年他宣布退出CV领域，具体原因不再赘述。2020年4月，YOLO项目的一名长期开发者Alexey Bochkovskiy发表了YOLOv4论文，代码被合并到Joseph Redmon的官方代码库中，YOLO就这样传承了下去。

2020年6月，Ultralytics团队发布了YOLOv5。这个版本没有发表论文，而是更偏重工程优化：放弃了官方DarkNet框架，完全采用PyTorch实现，并提供了极易使用的训练、推理和部署方案。自此，YOLO走向了Ultralytics一枝独秀、但仍百花齐放的时代。

2022年6月，中国团队美团发布了YOLOv6，主打高效工程落地。2022年7月，YOLOv4的作者Alexey Bochkovskiy发布了YOLOv7。

2023年，Ultralytics发布了YOLOv8，统一了多任务框架，成为应用最广泛的版本——不过依然没有论文。2024年，YOLOv9延续了v4/v7的学术风格；清华团队提出的YOLOv10实现了实时端到端。

同样在2024年，Ultralytics在YOLOv8基础上发布了YOLOv11，属于迭代升级版本，依旧没有论文。

2025年，YOLOv12发布，它摒弃了CNN、拥抱Transformer，同时尽可能保持实时性。

2026年，Ultralytics发布了YOLO26，为了统一版本名称，采用了年份作为版本号——那明年就是YOLO27了？也不知道其他团队是否会跟进这种命名方式。

期间还有大量YOLO衍生版本，比如YOLOX、YOLOR、PP‑YOLO和FastYOLO等，本文就不一一介绍了

YOLOv1

之前类似R-CNN的方法都是先使用一个 Region Proposal Network 生成潜在 BBox，然后再对 Proposal BBox 使用分类器，需要单独训练2个网络。这类方法被称作 Two-Stage Method。

YOLO 则是直接回归 BBox 和类别置信度，也就是后来的 One-Stage Method。

Method

把画面分成一个 S × S 的Grid，如果一个物体中心落在某个Grid中，那么就由这个Grid负责检测这个物体。

每个Grid会预测 B(B=2) 个BBox (x ,y, w, h)

  • \text{x, y}：BBox中心点相对于Grid左上角的坐标
  • \text{w, h}：BBox相对于整张图像的宽度和高度

以及预测 B 个置信度分数Confidence：

\text{Confidence} = \Pr(\text{Object}) \times \text{IOU}_{\text{pred}}^{\text{truth}}

其中 Pr(Object) 代表当前网格中是否存在目标物体的中心：

  • 有物体：值为 1，模型学习让无物体处的BBox置信度趋近于 0
  • 无物体：值为 0，模型学习让置信度等于BBox与GT框的 IOU

\text{IOU}_\text{pred}^\text{truth} 表示BBox与真实框的交并比（IOU），范围 [0,1]，衡量预测框的位置准确度。

每个Grid还预测出 C(C=20) 个类别条件概率 \Pr(\text{Class}_i \mid \text{Object}) ，条件类别概率在每个Grid中仅预测一组，和 B 的数值无关。

注意这个条件类别概率和BBox的Confidence是独立的两部分，Confidence反映Grid中存在BBox时预测框和GT框的IOU；条件类别概率是Grid中包含某个类别物体的情况下，物体属于 \text i 类的概率。

最终的Score分数就是：

\text{Score = } \Pr(\text{Class}_i \mid \text{Object}) \cdot \Pr(\text{Object}) \cdot \mathrm{IOU}_{\text{pred}}^{\text{truth}} = \Pr(\text{Class}_i) \cdot \mathrm{IOU}_{\text{pred}}^{\text{truth}}

这个Score同时编码了 BBox中出现该类物体的概率 和 BBox与GT的IOU 。

YOLOv1-Model.webp

网络最终输出一个 S × S × (B × 5 + C) 维度的Tensor，把参数带进去就是 7 × 7 × 30 的张量。

7 × 7 的维度上是最终输出特征图的维度，30 这个维度是在描述每个Grid中的 2 个BBox的XYWH + Confidence + 20个类别的条件概率。

输入尺寸为 448 × 448，32倍下采样后，得到最终 7 × 7 个 Grid，每个Grid对应一块 64 × 64的区域，最多检测98个BBox，得到49个目标。

Network

网络设计上受GoogLeNet启发，整体结构包含 24个卷积层 + 2个全连接层。

不过论文中的模型结构省略了一部分内容，导致看起来比较费劲，我找到了一个相对正确的版本：

YOLOv1-Structure.webp

代码可以参考 darknet/cfg/yolov1/yolo.cfg at master · AlexeyAB/darknet

不过这些复现的代码都使用了Batch Normalization，实际YOLOv1并没有使用BN，BN是2015年提出的，那时候用的人不多。

此外代码中的 Pad=1 代表需要Padding，实际填充量为 \text{kernel size//2}

Loss Function

\begin{aligned} \text{Loss} = & \lambda_{\text{coord}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} \left[ (x_i - \hat{x}_i)^2 + (y_i - \hat{y}_i)^2 \right] \\ & + \lambda_{\text{coord}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} \left[ (\sqrt{w_i} - \sqrt{\hat{w}_i})^2 + (\sqrt{h_i} - \sqrt{\hat{h}_i})^2 \right] \\ & + \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{obj}} (C_i - \hat{C}_i)^2 \\ & + \lambda_{\text{noobj}} \sum_{i=0}^{S^2} \sum_{j=0}^{B} \mathbb{1}_{ij}^{\text{noobj}} (C_i - \hat{C}_i)^2 \\ & + \sum_{i=0}^{S^2} \mathbb{1}_{i}^{\text{obj}} \sum_{c \in \text{classes}} (p_i(c) - \hat{p}_i(c))^2 \end{aligned}

YOLOv1的损失函数可以看做由3部分组成：

位置损失： 前两项。中心点 \text{(x, y)} 使用均方误差。宽高 \text{(w, h)} 使用平方根误差，这样可以使小BBox获得更大Loss。

置信度损失： 第三四项。对包含物体的BBox，预测置信度 {\hat {C}_i} 应与真实 IOU 尽可能接近；对不包含物体的BBox，预测置信度应趋近于 0。

分类损失： 最后一项。每个Grid预测一组条件类别概率 \hat{p}_i(c)，与GT标签计算MSE。

公式中出现的 1_{ij}^{obj} 是 一个指示函数，意义为：

\mathbb{1}_{ij}^{\text{obj}} = \begin{cases} 1, & \text{如果第 } i \text{ 个网格的第 } j \text{ 个边界框“负责”预测某个物体} \\ 0, & \text{否则} \end{cases}

在有物体时，损失函数1、2、3、5项参与运算；无物体时，只有第4项参与运算。有物体的另一个非负责框（同Grid中IOU较低的那个）也只有第4项参数运算。

关于权重的选择：

  • \lambda_{\text{coord}} = 5 的原因在于一张图像中大多数Grid没有物体（起码当时的Pascal VOC数据集是这样的），如果不加权，网络会把位置预测的比较随意，较大的位置坐标权重有利于学习到更准确的位置信息。
  • \lambda_{\text{noobj}} = 0.5 是作者调超参调出来的。在有物体时，让负责预测物体的那个框输出的置信度尽可能等于IOU；在没有物体时，预测的置信度要尽可能趋近于0（IOU就是0）。如果让每个空框的损失权重和正样本一样大，网络会只顾着把所有置信度压到 0，而不愿去学习少数有物体的框。

YOLOv2

TODO
文章先发了，之前不小心把YOLOv1内容全删了又没备份，怕了