学习yolo的话，不妨考虑一下在我的相关专栏里去学习，链接如下：
YOLO-从零开始入门目标检测简单说一下本专栏的脉络：
第一部分：YOLOv1
YOLOv1原理讲解->YOLOv1模型搭建->VOC数据集准备->数据预处理->数据增强->训练模型->制作训练正样本->损失函数->测试模型与检测结果的可视化->计算mAP->COCO数据集准备->COCO-val验证集和AP计算方法。
这一部分可以让我们能够对目标检测有个基本而初步的认识，对于YOLO系列的思想有了基本了解和认识，并且能够在当下的主流数据集COCO上完成测试，最重要的，是我们能够掌握数据预处理的基本方法，这对于开展今后的学术工作是很重要的。
很多时候，每当我们进入一个新的领域，首先最需要解决的问题包括三点：
1.确定常用的数据预处理方法；
2.确定该领域的benchmark；
3.确定评价指标及其计算方法。
完成这一部分后，相信读者能够对以上三点有个基本的掌握，并且能够搭建出来一个我们自己的YOLOv1检测模型。倘若实际需求较为简单，那么这样的一个模型足以满足。
本部分的核心项目代码：
https://github.com/yjh0410/PyTorch_YOLOv1这一部分的最后，我们会介绍一个增强版的YOLOv1检测器，性能很强大。
https://github.com/yjh0410/PyTorch_YOLO-Family第二部分：YOLOv2
YOLOv2原理讲解->anchor box讲解->kmeans获取anchor box->YOLOv2模型搭建->训练模型->基于anchor box的正样本匹配->损失函数->测试模型与检测结果的可视化->计算mAP。
这一部分可以让我们对anchor box、anchor box based方法的原理有一个初步的认识，以及基于anchor box的正样本匹配的基本原理有一个初步的了解和认识。
本部分的核心项目代码：
GitHub - yjh0410/PyTorch_YOLOv2这一部分的最后，我们会介绍一个增强版的YOLOv2检测器，性能很强大呦。
https://github.com/yjh0410/PyTorch_YOLO-Family第三部分：YOLOv3
FPN解读->YOLOv3原理讲解->YOLOv3中的正样本匹配方法->测试模型与检测结果的可视化->计算mAP。
YOLOv3这一部分内容最少，主要也是因为YOLOv3本身就没有太多改进的地方，主要是增添了FPN模块，换了更大的backbone。完成这一部分，读者基本就是入门了，如果代码全程都手敲下来和调试，相信读者会收获不少。
本部分的核心项目代码：
GitHub - yjh0410/PyTorch_YOLOv3主要是以上三部分，后续会根据更新内容不断做调整。
最后说明一下，为了配合这个专栏，以前的项目代码我会重新做调整，将v1、v2、v3都单独分开，不再合成一个项目发布了。所有模型我都会重新训练一遍，也许会和之前的结果有些出入，但无关紧要。
这一部分的最后，我们会介绍一个更好的YOLOv3检测器。
https://github.com/yjh0410/PyTorch_YOLO-Family第四部分：YOLOv4
笔者近来也尝试实现了一版YOLOv4，就性能而言，接近官方YOLOv4的水准，不过在一些细节上的实现还是有着些许差别，不过，作为一个入门的素材还是十分足够的，读者可以从这个项目里学习到有关马赛克增强的数据预处理知识，进一步入门目标检测领域。后续，我们也将会在此基础上实现更好的anchor based YOLO检测器以及一个anchor free的YOLO检测器。
https://github.com/yjh0410/PyTorch_YOLO-Family第五部分：YOLOF
YOLOF算是本专栏的一个小插曲吧，毕竟虽然名字里带了个“YOLO”，但是和YOLO家族并没什么关系。之所以笔者要实现YOLOF，算作是笔者的一点小小的私心吧，着实很喜欢这个简洁的单极检测器。
GitHub - yjh0410/PyTorch_YOLOF: A PyTorch version of You Only Look at One-level Feature object detector尾声：FreeYOLO
在专栏的最后，笔者最后整理先前的YOLO项目，在由笔者实现的YOLOv4基础上，将项目代码重构了一遍，搭建名为AnchorYOLO的新模型。不论是项目代码的风格还是一些技术细节，都尽可能贴合当前主流的写法和实现。之所以是命名为“AnchorYOLO”，是因为笔者也不知道该如何命名为好。
AnchorYOLO算得上是本专栏的一个集大成的工作，而更重要的，是我们以AnchorYOLO为baseline，去掉anchor box，构建anchor-free范式的YOLO检测器。在笔者写下这段文字的时间点（2022年），YOLO家族目前只有YOLOX这一个是anchor free范式的，所以，笔者将要实现的FreeYOLO算是对YOLOX的一次小小致敬~
FreeYOLO的核心是去掉了anchor box，并借鉴了FCOS检测框架，完全可以说，FreeYOLO是YOLO和FCOS的一个结合体，保留YOLO检测方式的前提下，引入FCOS的anchor-free机制来消除anchor box的麻烦。
届时，笔者将会开源包含AnchorYOLO和FreeYOLO两个检测器的项目，以供读者学习和使用。
这个最后的FreeYOLO将是笔者献给各位读者最后的礼物，本专栏也将在此收尾。受种种客观因素的限制，从今往后，笔者也不会再做目标检测的科普，希望大家能从这个专栏中学会“YOLO”。
FreeYOLO源码：
https://github.com/yjh0410/FreeYOLO最后，对此专栏感兴趣的可以私聊我加入微信群，针对本教程有任何问题，都可以在群里提问，笔者会及时做出解答的。
另外，笔者闲暇时间还小小地复现了RetinaNet和FCOS，感兴趣的读者可以点击下方的GitHub链接：
https://github.com/yjh0410/DetLAB希望这个专栏可以让你更好地学习YOLO，更好地入门目标检测。
