不同yolo算法为真么差距这么大

同样的数据集，为什么yolov4，yolov5，yolox训练的效果差距这么大？
yolov4的loss：

yolov4训练的置信度0.9左右

yolov5的loss：

yolov5的置信度0.7左右

yolox的loss：

yolox的置信度0.8左右

1.请问这是和什么有关呢，不是应该yolo越先进，效果应该越好吗？
2.loss值是越接近0越好吗？

你说的置信度是最终图片检测结果的置信度，还是训练的acc？
单单从loss图片没看出来有啥大问题，基本上都在在下降啊。yolo系列的loss是越接近0越好，但是并不是说yolov4的loss比yolov5低，v4效果就一定比v5好

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 你可以看下这个问题的回答https://ask.csdn.net/questions/7419677
• 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：【目标检测】yolo系列：从yolov1到yolov5之YOLOv1详解及复现
• 除此之外, 这篇博客: yolov3和yolov4损失函数中的 loss公式 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  
  其中：
  网格共有KxK个，每个网格产生M个候选框anchor，每个anchor经过网络会得到相应的bounding box，最终形成KxKxM个bounding box，如果box内noobj，则只计算该box的置信loss。

  1.回归loss会乘以一个(2-wxh)的比例系数，用来加大对小box的损失。
  其中box_loss_scale=(2-wxh)；object_mask其实是个置信度，如果有目标则为1，没有目标为0；对于wh_loss采用回归方法；而对于xy_loss，上述公式采用回归方法，x_i和y_i hat其实是取了sigmoid之后的值，而在keras版本中，采用了交叉熵，因为raw_pred是经过model的卷积输出，如果采用sigmoid+方差，容易梯度消失，收敛较慢，所以采用二值交叉熵binary_crossentropy更容易计算。

  2.置信度loss损失函数采用交叉熵，分为两部分：obj和noobj，其中noobj的loss还增加了权重系数lambda，这是为了减少noobj计算部分的贡献权重。

  3.分类loss损失函数采用交叉熵，当第i个网格的第j个anchor box负责某一个真实目标时，那么这个anchor box所产生的bounding box才会去计算分类损失函数。

• 您还可以看一下 李立宗老师的YOLOv1论文深度解析（8小时原汁原味逐句解析YOLO论文）课程中的 对比其他系统——对比小节, 巩固相关知识点
  

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^