YOLOv4

YOLOv4

视频链接：bilibili
参考文献：Yolov4

有些特征只在某些模型上运行，针对小规模的数据集，而另外一些特征，适用于大多数的模型，例如规范化操作和残差链接。YOLOv4就是总结了一些小的技巧用于叠加，这里主要提出两个常用的包。

Bag of Freebies：
指的是那些不增加模型复杂度，也不增加推理的计算量的训练方法技巧，来提高模型的准确度

1)数据增强
增加输入图像的可变性，使设计的目标检测模型对不同环境下获取的图像具有更高的鲁棒性

• 像素层面：
  光度失真：调整图像的亮度、对比度、色调、饱和度和噪声
  几何畸变
  加入了随机缩放、裁剪、翻转和旋转
• 遮挡层面：
  CutOut，Cutmix，Mosaic

2）网络正则化：Dropout，Dropconnect，Dropblock

3）损失函数：GIOU，DIOU，CIOU

Bag-of-Specials：
指的是那些增加少许模型复杂度或计算量的训练技巧，但可以显著提高模型的准确度

1）增大模型感受野：SPP、ASPP等

2）引入注意力机制：SE、SAM

3）特征集成：PAN，BiFPN

4）激活函数改进：Swish、Mish

5）后处理方法改进：soft NMS、DIoU NMS

CSPNet

CSPNet将数据划分为Part1和Part2两部分，Part2通过Dense Block发送副本到下一阶段，接着将两个分组织的信息在通道方向上进行拼接，且它具有加强CNN学习能力，删除计算瓶颈，减少内存成本的优点。

PAN结构

在FPN结构的基础上增加了从底到顶的信息融合。

YOLOv5

网络结构

类似于Passthrough layer可以在不减少特征信息的情况下，训练的速度更加的快。

将SPP结构转变为SPPF，将两个5x5大小的卷积核串行会形成一个9X9大小的卷积核，但是此时所用的资源会减小