yolov部署到iPhone或终端实践全过程一（论文源码福利）

计算机视觉研究院专栏

作者：Edison_G

期待已久的检测经典又来来了一波强袭——yolov5。其实yolov5没有完整的文件，现在最重要的应该是把yolov4弄清楚，在目标检测领域中受益匪浅，可以在某些场景得到较高的提升。今天我们还是给大家分享yolov4，下一期我们将实践得将yolov5部署到苹果手机或者在终端通过摄像头实时检测！

长按扫描二维码关注我们

知识回顾：Yolo 系列详细干货分析

一、技术回顾

有大量的特征被认为可以提高卷积神经网络（CNN）的精度。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论验证。某些功能只对某些模型进行操作，某些问题只对某些模型进行操作，或只对小规模数据集进行操作；而某些功能（如批处理规范化和剩余连接）则适用于大多数模型、任务和数据集。本文假设这些通用特征包括加权剩余连接（WRC）、跨阶段部分连接（CSP）、跨小批量规范化（CmBN）、自对抗训练（SAT）和Mish激活。本文使用了新功能：WRC、CSP、CmBN、SAT、误激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU丢失，并将其中一些功能结合起来，以达到以下效果：43.5%的AP（65.7%的AP50）用于MS COCO数据集，在Tesla V100上以65 FPS的实时速度。

二、创新点分析