YOLO V1
大致框架：只用一次就可以檢測物體的目標檢測。YOLOv1借助了GoogleNet的思想，使用了22層卷積層和兩層全連接層來進行目標檢測。首先是將整張圖片傳入給神經網絡，借助全局的特征更好的進行目標檢測任務。
優點：
- YOLO v1將檢測視為回歸問題，因此處理圖像的流程非常簡單、直接。
- YOLO在訓練和測試時能夠看到整個圖像，因此其在進行預測時會對圖像進行全面的推理。
- YOLO並沒有像SSD和Faster R-CNN那樣，選擇VGGNet或者其他經典的CNN模型作為基礎網絡。YOLO使用基於GoogLeNet架構的自定義網絡DarkNet作為基礎網絡。DarkNet比VGG16的運行速度快，這也使YOLO的運行速度得到了提升。
（該網絡是當時速度最快的網絡，速度達到了實時的級別）
（將目標檢測問題視為回歸問題，簡單直接且速度快）
缺點
與兩階段目標檢測系統相比，YOLO產生了更多的定位誤差且在精度上落后（對小目標的檢測效果尤其差）。同時，YOLO對邊界框預測施加了空間約束（因為每個網格單元只預測 兩個邊界框，並且只能有一個類別）。這個空間約束限制了YOLO可以 預測的鄰近目標的數量，因此，使用YOLO對鳥群、人群和車隊進行預測的效果並不理想。
（精度對比 最好的兩階段目標檢測算法較差，因為是預測的邊界框大小，所以邊界框的精准度較差。）
YOLO V2
大致框架：YOLOv2首先是將YOLOv1的backbone更換成DarkNet19，其次使用了BN層、更大分辨率的輸入、給預測邊界框做了一系列的嘗試、使用基於anchor的聚類方法、使用了細粒度特征進行特征融合、以及多尺度輸入的方式來對模型進行了優化。首先將輸入傳給DarkNet19來進行特征的提取，去掉DarkNet19的全連接層，然后將提取后的特征繼續使用兩個卷積層進行提取，然后將提取后的特征與pooling4之前的那個26*26的特征圖通過passthrough layer 進行特征融合。然后再傳入進網絡進行特征提取。最后使用一個Conv2D進行目標預測。
優點：在 v1 的基礎上改進，精度和速度都有所增加，使用了直接位置預測，對預測的偏移量進行 sigmoid 限制，防止它移動出該網格，導致計算錯誤，
缺點：它的 全局信息 和 局部信息融合太少，對於小目標的檢測精度較差
YOLO v3
大致框架：利用了darknet53架構，進行了特征融合，融合了三次，分別在深層，中層和底層，預測大物體，中物體和小物體，使得預測結果更加的精細，在最后損失函數的時候使用的是邏輯分類而不是softmax分類，因為softmax具有局限性，只能預測一次，而邏輯分類可以多次預測，例如：既能預測出人也能預測出是女人。沒有池化層，利用卷積層進行特征圖的減小，使得網絡更加的准確。
優點：1.YOLO v3在整體結構上有較大的改動，其中較為重大的是使用多個獨立的邏輯分類器代替softmax函數，以及使用類似FPN的方法進行多尺寸預測。
（網絡的精度和速度較好，使用多預測輸出，使用了 v2 相同的直接位置預測，限制偏移量）
缺點：YOLO v3為了提升精度，在速度上進行了一定的舍棄。速度的下降與基礎網絡DarkNet的復雜度的提高直接相關。
（雖然對小物體預測較好，但是對大物體預測較差。）
YOLO V4
大致框架：主干網絡采用CSPDarkNet53
為了增加感受野，采用SPP思想
采用PANet中的路徑聚合模塊
仍采用YOLO V3的head部分
優點：增強CNN的學習能力，使得在輕量化的同時保持准確性。
降低計算瓶頸
降低內存成本
缺點：
YOLO V5
Yolov5官方代碼中，給出的目標檢測網絡中一共有4個版本，分別是Yolov5s、Yolov5m、Yolov5l、Yolov5x四個模型。
大致框架：設計了兩種csp結構，CSP1_X結構應用於Backbone主干網絡，另一種CSP2_X結構則應用於Neck中
(1) 輸入端：Mosaic數據增強、自適應錨框計算、自適應圖片縮放
(2) Backbone : Focus結構、CPS結構
(3) Neck : FPN + PAN結構
(4) Prediction : GIOU_LOSS
優點：網絡最小，速度最少，AP精度也最低。
缺點：增加計算量
算法性能圖
Yolov5s網絡最小，速度最少，AP精度也最低。但如果檢測的以大目標為主，追求速度，倒也是個不錯的選擇。
其他的三種網絡，在此基礎上，不斷加深加寬網絡，AP精度也不斷提升，但速度的消耗也在不斷增加。
目前使用下來，yolov5s的模型十幾M大小，速度很快，線上生產效果可觀，嵌入式設備可以使用。