目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可使用的检测框架。但是，该怎么抉择呢？

 

前言&背景

目标检测是现在最热门的研究课题，也一直是工业界重点研究的对象，最近几年内，也出现了各种各样的检测框架，所属于YOLO系列是最经典也是目前被大家认可使用的检测框架。不论是PyTorch，还是Tensorflow，又或者是Keras和Caffe，可以说是全平台通用。

在通用目标检测中，从yolov1，v2，v3，v4，v5到最近的yolox，都充分说明了yolo在学术界以及工业界的受欢迎程度。

  • YoloV1论文地址：https://arxiv.org/pdf/1506.02640.pdf
  • YoloV2（Yolo9000）论文地址：https://arxiv.org/pdf/1612.08242.pdf
  • Yolov3论文地址：https://arxiv.org/pdf/1804.02767.pdf
  • Tiny YOLOv3代码地址：

         https://github.com/yjh0410/yolov2-yolov3_PyTorch

  • Yolov4论文地址：https://arxiv.org/pdf/2004.10934.pdf
  • Yolov5代码地址：https://github.com/ultralytics/yolov5
  • YOLObile论文地址：https://arxiv.org/pdf/2009.05697.pdf
  • YOLOR论文地址：https://arxiv.org/pdf/2105.04206.pdf

除了基线的频繁迭代更新之外，还有很多针对yolo的优化精简版本，如下表所示：

在如此众多的yolo版本中，除了官方的评测数据之外，有没有更加直观的方式来对比各种不同版本的yolo性能呢？

很早之前郑老师就幻想着能有一个集成各种yolo的版本，能够对图片，视频，实时码流进行对比，于是就有了这个YoloAll的想法。希望能在一个software里面对同一张图片，同一段视频，或者同一个camera的码流进行对比分析。

内容中包含的图片若涉及版权问题，请及时与我们联系删除