【目标检测-YOLO】YOLO v4 总结（第四篇）

已于 2022-07-08 10:58:34 修改
阅读量5k 收藏 5
点赞数
分类专栏： 视觉 YOLO 文章标签： 深度学习 人工智能
于 2022-03-14 18:58:28 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/hymn1993/article/details/123481557
版权
YOLO 同时被 2 个专栏收录
30 篇文章 87 订阅 ¥9.90 ¥99.00
订阅专栏 超级会员免费看
视觉
40 篇文章 5 订阅
订阅专栏
本文详细总结了YOLO v4的目标检测架构，重点介绍了YOLOv4的损失函数，特别是正负样本的划分策略。相较于YOLOv3，YOLO v4采用Multi Anchor策略，当中心点处的anchor box与目标框的IoU超过阈值即视为正样本，增加了正样本数量，提升了性能。同时，YOLO v4的损失函数包括置信度损失、分类损失和使用CIoU损失的坐标损失。文章还提及YOLO v5的不同之处以及YOLO v4的优缺点。
摘要由CSDN通过智能技术生成

1. YOLO v4 架构总结

YOLO Input Backbone Neck Head 置信度Loss 坐标回归Loss 分类Loss
v1 448*448
了解本专栏 订阅专栏 解锁全文 超级会员免费看
理心炼丹
关注
  • 0
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【目标检测-YOLO】YOLO v4 架构以及网络详解（第二篇）
博观约取，厚积薄发
03-10 5515
可能还会继续丰富
Yolo v4学习心得
weixin_43402168的博客
06-19 585
** Yolo v4学习心得 1 Yolo v4网络框架 2网络框架改进 2.1 主干网络改进 比较Yolo v3主干网络框架，Yolo v4主干网络框架由Darknet53变为了CSPDarknet，该主干网络较Darknet53有两个主要的改进，其一：改变了残差结构，运用了CSPnet网络的残差结构。其二：改变了激活函数，将Darknet53中的激活函数LeakyReLU修改成了Mish激活函数。 2.2 空间金字塔池化（spp） 引入空间金字塔池化，采用不用尺寸的池化核，极大地增加感受野，分离出最显
YOLOv4学习笔记
weixin_43933981的博客
05-08 662
引言：         标题YOLO 之父 Joseph Redmon退出cv界，而是来自俄罗斯的 Alexey Bochkovskiy和两位台湾开发者Chien-Yao Wang、Hong-Yuan Mark Liao联手大推出YOLOv4，并且得到YOLOv3作者Joseph Redmon的承认。43.5%mAP+...
YoloV4学习
qq_44021109的博客
08-28 352
YoloV4数据集制作方法（pytorch环境 Labelimg） 激活pytorch环境 打开软件labelimg Annotations 3. 制作数据存放文件夹（图片放在photo里，标注结果放在Annotations里） 选择Open Dir打开存放原始图片的文件夹photo 选择自动保存模型 更改标注内容地址到Annotations里 快捷键说明： W：开始标注 A：上一张图片 D：下一张图片 标注内容命名 更该图片名字（右击图片） 这样就
YOLOv1~v4入门
青鸠的博客
09-22 1万+
一、开山之作：YOLOv1 1.1 简介 在YOLOv1提出之前，R-CNN系列算法在目标检测领域独占鳌头。R-CNN系列检测精度高，但是由于其网络结构是双阶段（two-stage）的特点，使得它的检测速度不能满足实时性，饱受诟病。为了打破这一僵局，设计一种速度更快的目标检测器是大势所趋。 2016年，Joseph Redmon、Santosh Divvala、Ross Girshick等人提出了一种单阶段（one-stage）的目标检测网络。它的检测速度非常快，每秒可以处理45帧图片，能够轻松地实时运行。
YoloV4学习笔记2_训练数据（win10+VC2015+opencv4.4+yolov4）
weixin_41885527的博客
07-08 1075
YoloV4学习笔记2_训练数据（win10+VC2015+opencv4.4+yolov4）
目标检测网络：YOLO_V4（一）
qq_42018838的博客
06-16 434
YOLO_V4前言Demo 前言   最近，YOLO_v4的开源掀起了一波热潮，根据给出的数据YOLO_V4实现了速度和精度的双向突破，吊打了一系列的目标检测网络。因此，考虑后续传感器融合的目标跟踪研究的需要，研究yolo_v4是不可或缺的部分，并且先学习github中的开源demo，再研究该网络的原理。 github链接：https://github.com/AlexeyAB/darknet#requirements 论文链接：https://arxiv.org/pdf/2004.10934.pdf De
目标检测总结：YOLO系列（1）
Tianlock的博客
01-22 651
YOLO系列（1）YOLO v1 之前两篇文章介绍了two-stage 的目标检测框架，本文开始介绍 one-stage。 YOLO v1 YOLO，解决了目标检测中最大的难题：速度，它为目标检测提供了新的思路。 主要特点：1，快，2，将背景预测为前景的错误率小，3，泛化能力强。 主要思想： 将整张图作为网络的输入，直接在输出层回归box的位置和类别。 将图像分为S×S个网格，如果某个objec...
【目标检测-YOLO】YOLO v4 更多细节（第三篇）
博观约取，厚积薄发
03-14 5311
YOLO-从零开始入门目标检测 - 知乎 睿智的目标检测30——Pytorch搭建YoloV4目标检测平台_Bubbliiiing的学习小课堂-CSDN博客_yolov4目标检测 增强CNN学习能力的Backbone:CSPNet - 知乎 YOLOv4特征提取网络——CSPDarkNet结构解析及PyTorch实现 - 知乎 YOLOv4 介绍及其模型优化方法 - 知乎 数据增强 Dropblock Yolov4中使用的Dropblock，其实和常见网络中的Dropout功能类似，也是缓
目标检测最强算法YOLOv4 源码（source：GitHub）
05-15
如果Github下载较慢的话，可以使用这个文件 ，原github地址： ghttps://github.com/AlexeyAB/darknet
【目标检测-YOLO】YOLOv4（第一篇）
博观约取，厚积薄发
03-05 2988
YOLO v4 论文翻译
【目标检测-YOLO】YOLOv5-5.0v-损失函数（第四篇）
热门推荐
博观约取，厚积薄发
03-30 1万+
4. 损失函数 4.1 正负样本分配 4.2 损失函数
yolov4简单介绍
来杯奶茶
03-07 5396
目标检测器（Object detector）： Input：image,patches,image pyramid,... Backbone：VGG16,ResNet-50,ResNeXt-101,Darknet53... Neek：FPN,PANet,Bi-FPN,... Head： Dense Prediction：RPN,YOLO,SSD,RentinaNet,FCOS,... Sparse Prediction：Faster R-CNN,R-FCN,......
论文（四）YOLOv4解读及一些思考
weixin_40227656的博客
06-07 1921
1
YOLOv4
冰雪棋书的博客
07-16 565
YOLOv4: Optimal Speed and Accuracy of Object Detection 论文：https://arxiv.org/abs/2004.10934 代码：https://github.com/AlexeyAB/darknet YOLOv4在COCO上，可达43.5%AP，速度高达65fps YOLOv4的特点是集大成者，俗称堆料，但最终达到这么高的性能，一定是不断堆料、不断调参的结果。 1、框架： backbone：CSPdarknet53 neck：SPP.
一张图梳理YOLOv4论文
pprp的博客
04-25 2922
AlexeyAB大神继承了YOLOv3, 在其基础上进行持续开发，将其命名为YOLOv4。并且得到YOLOv3作者Joseph Redmon的承认，下面是Darknet原作者的在readme中更新的声明。 来看看YOLOv4和一些SOTA模型的对比，YOLOv4要比YOLOv3提高了近10个点。 1. 思维导图 YOLOv4总体上可以划分为两部分，一部分是讲Bag of freebies和Ba...
YOLO v4相比较YOLO v3的改进之处
inaner的博客
12-04 4301
输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练 BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock Neck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN结构 Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nm 输入
YOLOv4学习总结
最新发布
qq_41158484的博客
09-29 1218
YOLOv4相比于YOLOv3改进的地方，详解。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

理心炼丹

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值