YOLOv1（You Only Look Once: Unified, Real-Time Object Detection）是由Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi共同提出的实时对象检测系统。YOLOv1将对象检测作为一个回归问题来处理，它能够在一个单独的神经网络中直接从图像像素预测边界框和概率。 YOLOv1的主要特点包括统一模型和实时性能。与基于区域的方法相比，YOLOv1将对象检测分割成两个阶段，避免了复杂流水线，通过单一神经网络进行处理，使得它在速度和准确性之间取得了良好的平衡。YOLOv1的处理速度非常快，能够在视频流中实时地进行对象检测，而且在多个基准测试中取得了不错的结果。 在性能上，YOLOv1实现了每秒45帧（FPS）的处理速度以及63.4 mAP（mean Average Precision）的精度，虽然在精确度方面略低于Faster R-CNN，后者以每秒5帧的代价达到了73.2 mAP，但YOLOv1的快速处理能力使其在实时系统中具有明显优势。例如，R-CNN的FPS仅为0.5，DPM的FPS更低至0.5。 YOLOv1采用了GoogLeNet的深层网络架构，并对其进行了修改和优化。具体来说，YOLOv1对GoogLeNet进行了多次卷积层（C）、残差连接（R）、全连接层（FC）的增加和修改，以及通过reshape操作来调整网络的维度和结构。这些改进提高了网络对输入图像的处理能力，从而在保持速度的同时提高了检测精度。 YOLOv1的检测过程分为几个步骤。输入图像经过一系列卷积层处理，然后通过特定的修改，将特征图转化为边界框和分类概率。每个边界框包含了位置信息（x, y, w, h）、置信度得分以及概率分布。置信度得分反映了预测框包含对象的可能性及预测框的准确性，而概率分布则表示该框属于特定类别的可能性。通过阈值过滤和非极大值抑制（Non-Maximum Suppression）等后处理步骤，可以得到最终的检测结果。 值得注意的是，YOLOv1可以通过从头开始训练来获得更好的性能。在训练过程中，通过使用新的附加卷积层，能够进一步提高检测效果。这一点对于理解YOLOv1的训练机制和网络结构非常重要。 此外，YOLOv1在Pascal VOC 2007测试集上进行的结果表明，尽管其在某些方面不及其他方法（如Faster R-CNN），但在实时性方面具有明显优势，非常适合对实时检测有严苛要求的应用场景。 YOLOv1作为早期的一次性检测方法，为后来的实时检测研究奠定了基础，并启发了后续的YOLO版本，例如YOLOv2、YOLOv3和YOLOv4，这些版本在准确性和速度上不断进行优化和改进，但YOLOv1作为开创性工作，其意义和影响仍然深远。

对文章《A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND BEYOND》进行了翻译和注释，方便做论文、或者研究YOLO技术参考用。实时物体检测已经成为众多邻域应用的关键组成部分，这些领域包括：自动驾驶车辆、机器人、视频监控和增强现实等。在众多物体检测算法中，近年来，YOLO（You Only Look Once）框架以其卓越的速度和准确性脱颖而出，实际证明能够快速可靠地识别图像中的物体。自诞生以来，YOLO经过了多次迭代，每个版本都在前一版本的基础上进行改进，不断在提高性能，截至本文发稿，YOLO框架从V1已经更新到了v8。作为机器视觉技术应用的我们，有必要对YOLO的技术演进进行系统了解，熟悉YOLO每个版本之间的关键创新、差异和改进（如网络设计、损失函数修改、锚框适应和输入分辨率缩放等）。从而更好地把握YOLO的技术发展主脉搏，更好地选择应用相关的视觉识别技术。

各论文如下： 1）You Only Look Once:Unified, Real-Time Object Detection； 2）YOLO9000:Better, Faster, Stronger； 3）YOLOv3: An Incremental Improvement； 4）YOLOv4: Optimal Speed and Accuracy of Object Detection； 5）You Only Look One-level Feature; 6)DetectoRS: Detecting Objects with Recursive Feature; 7)YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications； 8）YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors；

new-YOLOv1_PyTorch 在这个项目中，您可以享受： yolov1的新版本 网络 这是PyTorch构建的YOLOv1的新版本： 骨干网：resnet18 负责人：SPP，SAM 火车 批量大小：32 基础LR：1E-3 最多纪元：160 LRstep：60、90 优化器：SGD 在告诉您如何使用该项目之前，我必须说一件事，关于起源yolo-v2与我的yolo-v2之间的区别： 对于数据扩充，我从复制了扩充代码，这是一个复制SSD的极好的项目。 如果有人对SSD感兴趣，只需克隆即可学习！（别忘了给它加注星标！） 所以我不会自己写数据扩充。 我有点懒~~ 我的损失函数和tools.py创建者都在tools.py ，您可以尝试更改任何参数以改进模型。 实验 环境： Python3.6，opencv-python，PyTorch1.1.0，CUDA10.0，

基于tensorflow实现的yolov1，可以直接运行。

Yolov1、Yolov2、Yolov3、Yolov4、Yolov5、YoloX、Yolov6的算法迭代史，做成ppt形式希望帮助到大家

目标检测 1.以YOLOv1、YOLOv2模型为展开 了解什么是单阶段模型 主干网络构造 损失函数构造 2.把模型发展优化以主干网络、Neck、Head展开来进行横向对比 3.把YOLO模型应用到汽车检测、烟雾识别等领域优点和局限性分析 4.加入哪些方法优化模型

YOLO算法v1~v5五篇论文英文原文，cv目标检测、深度学习必学经典论文！

该资源为我研究方向，基于机器视觉的轴承表面缺陷检测研究所需的算法总结

yolov1 deepsystem.io ppt