YOLOv4目标检测

 本文是基于深度学习课程上的yolov4代码，使用自己标注的数据集进行训练，得到训练好的模型，使用测试图片对结果进行检测展示。

一、yolov4代码简易介绍

1.1.数据预处理

• 输入图片调整：将输入图片调整到模型所需的尺寸，且图片应该是jpg格式。
• 数据增强：为了提高模型的泛化能力，通常会对图片进行翻转、缩放、裁剪等操作。

1.2.骨干网络（Backbone）

• CSPDarknet53：YOLOv4使用CSPDarknet53作为骨干网络，该网络基于Darknet进行改进，具有更高的性能和效率。
• Mish激活函数：与ReLU相比，Mish激活函数能够带来更好的性能。

1.3.特征金字塔（FPN + PAN）

• 特征金字塔网络（FPN）：通过上采样和横向连接，将低层次的特征和高层次的特征进行融合，以获取多尺度的特征信息。
• 路径聚合网络（PAN）：在FPN的基础上，进一步融合了更多的低层次特征，以增强定位能力。

1.4.头部（Head）

• YOLO层：用于生成最终的检测结果，包括边界框、类别和置信度。

1.5.损失函数

• 边界框损失࿱