背景描述

cv中的一个典型的问题就是目标检测，目标检测中的yolo模型是一个经典的目标检测模型，在各种目标检测的比赛和数据集中，表现都非常亮眼，借用这篇文章对yolov3、v4、v5、tph_v5、v6做个总结梳理。

yolo-v3、v4

炼丹炉：darknet
darknet git地址：https://github.com/AlexeyAB/darknet
使用方案：可以更换cfg代表的网络结构切换v3与v4的具体网络结构来训练不同模型，超参数的调整也在cfg文件里面。

yolov5

炼丹炉：pytorch
git地址：https://github.com/ultralytics/yolov5
使用方案：可以使用wandb和tensorboard来训练可视化，比v3、v4更好的对比每个版本模型的准确度

tph_yolov5

炼丹炉：pytorch
git地址：https://github.com/cv516Buaa/tph-yolov5
优势：针对大图片小目标做了优化，通过观察训练时候的图片，需要做置信度的剔除，对小目标很敏感，其他基本是v5的升级版本，把超参数拿出来作为一个单独的文件了，训练的时候可以使用。

yolov6

炼丹炉：pytorch
git地址：https://github.com/meituan/YOLOv6
优势：实验数据看上去很美丽，优化的方案是各种优化策略的堆积，没啥特别明显的优化，但是数据好看，美团出品的，也没有论文的支撑。