关于YOLOV4的一些技巧

yolov4

论文链接：https://arxiv.org/pdf/2004.10934.pdf

代码链接：https://github.com/AlexeyAB/darknet

一、YOLOV4的主要内容

1.论文总结了文章的主要3个贡献

• 研究设计了一个简单且高效的目标检测算法，使得普通人员在拥有一块1080TI或者2080TI的情况下就能够训练一个超级快速和精确的目标检测器；
• 训练时，验证了最新的Bag-of-Freebies和Bag-of-Specials对Yolo-V4的影响；
• 修改了state-of-the-art方法，使得他们在使用单个GPU进行训练时更加有效和适配，包括CBN，PAN，SAM等

二、网络结构

1.整体结构

目前检测器通常可以分为以下几个部分，不管是two-stage还是one-stage都可以划分为如下结构，只不过各类目标检测算法设计改进侧重在不同位置：

这些技巧可以作为后续处理不同任务的涨点方案！

2.Bag of freebies

是指在离线训练阶段为了提升精度而广泛使用的调优手段，而这种技巧并不在推断中使用，不会增加推断时间。

• 数据类

数据增强（random erase/CutOut/hide-and-seek/grid mask/MixUp/CutMix/GAN）

数据分布：two-stage的有难例挖掘，one-stage的有focal loss。

• 特征图类

DropOut/DropConnect/DropBlock

• Bounding Box目标函数类

l1/l2/ IoU lossloss/GIoU loss/DIoU loss/CIoU loss

3.Bag of specials

是指在推断过程中增加的些许成本但能换来较大精度提升的技巧。

• 增大感受野类

SPP/ASPP/RFB

• 注意力类

Squeeze-and-Excitation (SE)/Spa-tial Attention Module (SAM)

• 特征集成类

SFAM/ASFF/BiFPN

• 激活函数类

ReLu/LReLU/PReLU/ReLU6/Scaled ExponentialLinear Unit (SELU)/Swish/hard-Swish/Mish 

• 后处理类

soft NMS/DIoU NMS 

 

YOLOV4里面的一些技巧很适合我们学习，可以用在自己的项目中涨点，也可以帮助我们更好地理解模型中的各个模块与组件的作用。