前言
千呼萬喚始出來系列，繼YOLOv3兩年後，YOLOv4終於在上週出來了，讓我們來一睹論文真容吧！由於YOLO之父Jeseph Redmon在今年2月已宣佈退出CV學術界，大家都以為YOLO系列已不再更新了，幸而，學術界和開源社群的力量是強大的。另一位曾經參與YOLO專案維護的大神Alexey Bochkovskiy接過了YOLO這面大旗，在arXiv上提交了YOLO v4，而且，這篇論文已經被拉入原來YOLO之父建立的專案主線。
論文連結：https://arxiv.org/abs/2004.10934
程式碼地址：https://github.com/AlexeyAB/darknet
YOLOv4的釋出可以說是YOLO系列的集大成者，裡面涉及了許多tricks的組合。YOLOv4主要是選取了許多features進行組合的形式來對資料集進行測試訓練，從而來驗證效能效果。
論文核心中的核心：作者將 Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN), Self-adversarial-training (SAT) and Mish-activation. 而且還使用了一些最近出來的新features：WRC, CSP, CmBN, SAT, Mish activation, Mosaic data augmentation, CmBN, DropBlock regularization, and CIoU loss。透過對這些features進行有效的組合得到了爆炸性的YOLOv4，可以吊打一切的YOLOv4.在MS-COCO資料上：43.5%@AP（65.7%@AP50）同時可以達到65fps@TeslaV100.
AP50:95 / AP50 - FPS (Tesla V100) Paper: https://arxiv.org/abs/2004.10934
YOLOv4論文中所用tricks如下：
用於backbone的BoF：CutMix和Mosaic資料增強，DropBlock正則化，Class label smoothing
用於backbone的BoS：Mish啟用函式，CSP，MiWRC
用於檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic資料增強，Self-Adversarial 訓練，消除網格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超引數，Random training shapes
用於檢測器的Bos：Mish啟用函式，SPP，SAM，PAN，DIoU-NMS
文中提供的預訓練模型的權重和引數資訊可見程式碼地址：
YOLO的組成部分
簡而言之：YOLOv4 =CSPDarknet53 SPP PAN YOLOv3
YOLOv4-detector資訊
提出了一種高效而強大的目標檢測模型。它使每個人都可以使用1080 Ti或2080 Ti GPU 訓練超快速和準確的目標檢測器。
在檢測器訓練期間，驗證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。
改進了SOTA的方法，使它們更有效，更適合單GPU訓練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標檢測器框架進行拆分：input、backbone、neck 和 head 具體如下圖所示：
各類檢測器之間效能的比較
效能炸裂的YOLOv4結果展示
原文連結：
https://blog.csdn.net/mrjkzhangma/article/details/105730677
新勳章，新獎品，高流量，還有更多福利等你來拿
更多精彩推薦
你點的每個“在看”，我都認真當成了喜歡