YOLO v4 解读

最新推荐文章于 2024-10-09 20:41:04 发布

年轻无极限zx

最新推荐文章于 2024-10-09 20:41:04 发布

阅读量1.1k

点赞数

分类专栏：学习笔记文章标签：计算机视觉

本文链接：https://blog.csdn.net/l314046573/article/details/108444629

版权

前言

我们都知道在深度学习这一领域当中，算法的更新换代是非常频繁的，特别是在CV领域。前短时间在很多人正在对引人注目的YOLO v4算法的解析中，YOLO v5代码也出现了（当然这里只是出现了代码，而且是否能被称之为v5还是引起了很多人的争议的，毕竟它在v4的基础上并没有修改他的backbone网络）。言归正传，虽然YOLO v4出现了一段时间了，但我在网上看了一些文章之后还是有些不懂的地方，因此“好记性不如烂笔头”，所以我就直接整理到我的博客里面。

思维导图

在这里插入图片描述

摘要

这里就直接用论文的摘要来开头，主要介绍了它使用的各种方法和开源代码 （https://github.com/AlexeyAB/darknet。）
有很多特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并需要对结果进行理论证明。某些特征仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小型数据集上运行；而某些特征（例如批归一化和残差连接）适用于大多数模型，任务和数据集。我们假设此类通用特征包括加权残差连接（WRC），跨阶段部分连接（CSP），交叉小批量标准化（CmBN），自对抗训练（SAT）和Mish激活。我们使用以下新功能：WRC，CSP，CmBN，SAT，Mish激活，马赛克数据增强，CmBN，DropBlock正则化和CIoU丢失，并结合其中的一些特征来实现最新的结果：在MS COCO数据集上利用Tesla V10以65 FPS的实时速度获得了43.5%的AP（65.7％AP50）。