yolo系列网络在目标检测领域取得了巨大的成功， 尤其是在工程实践中， 以其出色的性能优势获得了广泛的应用落地。
YOLO的前3个版本是由同一个作者团队出品， 算是官方版本。 之后的版本都是各个研究团队自己改进的版本， 之间并无明显的继承关系。
其中v5和v8 版本由Ultralytics 公司出品， 该公司是领先的人工智能公司，以yolov5网络出名。 该项目在github上获得了极高的关注， 获得了接近4.7万star。
项目地址： https://github.com/ultralytics/yolov5
| 版本 | 时间 | 主要改进 |
|---|---|---|
| YOLOv1 | 2016.05 | 首次提出 |
| YOLOv2 | 2016.12 | 1 采用BN; 2 采用448*448分辨率预训练Imagenet; 3 去掉fc,采用全卷积； 4 采用anchor, 并采用k-means聚类选择anchor的先验尺寸; 5 添加一个旁路， 在更大的特征图26*26上预测 6 多尺度训练：每10batch 采用不同的输入图像尺寸，从320~608， 间隔32 ： 7 提出了Darknet-19 作为backbone |
| YOLOv3 | 2018.04 | 1 提出了Darknet-53 作为backbone; 2 采用了FPN |
| YOLOv4 | 2020.04 | 1 改进了backbone，提出CSPDarknet53， 并改进了SAM, PAN， BN等模块; 2 数据增强：提出了Mosaci数据增强；提出了自对抗训练SAT; 3 采用了CIoU作为loss; 4 采用Mish作为激活函数； 5 用进化算法调了超参数 |
| YOLOv5 | 2020 | 待补充 |
| YOLOF | 2021.03 | |
| YOLOX | 2021.09 | |
| YOLOv7 | 2022.07 | |
| YOLOv6 | 2022.09 | |
| YOLOE | 2022.12 | |
| YOLOv8 | 2023 | |
| YOLOR | 2023.09 | |
| YOLOv9 | 2024.02 |
参考：
[1] https://blog.csdn.net/leonardotu/article/details/137372018
