Pytorch-YOLOv4梳理——原理和复现

已于 2023-11-08 15:00:22 修改
阅读量598 收藏 1
点赞数
分类专栏： 深度学习 文章标签： pytorch YOLO 人工智能 yolov4 python 目标检测 深度学习
于 2023-09-15 12:04:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_73832962/article/details/132899277
版权
本文详细梳理了YOLOv4相对于YOLOv3的改进，包括主干网络CSPDarknet53、SPP和PANet结构、Mosaic数据增强、CIoU损失函数以及MISH激活函数的使用。此外，还介绍了在PyTorch中复现YOLOv4的过程，包括权重下载、数据集处理、训练过程中的常见错误及解决办法，最终实现train.py、test.py和detect.py的完整跑通。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

yolov1到yolov3的梳理：YOLO总结，从YOLOv1到YOLOv3_追忆苔上雪的博客-CSDN博客

首先说一点，就是yolov4的分支有点多，先梳理一下出现的顺序。

Alexey Bochkovskiy提出了YOLOv4

然后针对YOLOv4的模型缩放(model scale)，提出了Scaled-YOLOv4

Scaled-YOLOv4针对低端、一般、高端GPU分别设计了3个模型，

分别是：YOLOv4-CSP 、 YOLOV4 -tiny、YOLOv4-large

再说一点，论文给的网站，要拖到下面才能找到pytorch版本的代码

yolov4论文：https://arxiv.org/abs/2004.10934

scale-yolov4论文：https://arxiv.org/abs/2011.08036

后续用下面这个版本的做例子：GitHub - WongKinYiu/PyTorch_YOLOv4: PyTorch implementation of YOLOv4，这就是论文的二作复现的

yolov4-csp:GitHub - WongKinYiu/ScaledYOLOv4 at yolov4-csp

yolov4-large:GitHub - WongKinYiu/ScaledYOLOv4: Scaled-YOLOv4: Scaling Cross Stage Partial Network

yolov4-tiny:GitHub - WongKinYiu/ScaledYOLOv4 at yolov4-tiny

(1)yolov4相比yolov3的改善

YOLOv4是YOLOv3的加强版，其主要在YOLOv3的基础上添加了一系列的小改进。因此YOLOV4与YOLOV3整体的预测思路是没有差别的!解码的过程甚至一模一样。

YOLOv4的小改进遍布方方面面，主要有以下几点:

（1）主干特征提取网络的改进

由Darknet53改成了CSPDarknet53

（2）加强特征提取网络的改进

使用了SPP和PANet结构

（3）数据增强方面的改进

使用了Mosaic数据增强

（4）LOSS方面的改进

使用了CIOU作为回归LOSS

（5）使用了MISH激活函数

最低0.47元/天 解锁文章
深度学习系列资料总结
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
07-17 2万+
说明本系列深度学习资料集合包含机器学习、深度学习等各系列教程，主要以计算机视觉资料为主，包括图像识别、分类、检测、分割等，内容参考Github及网络资源，仅供个人学习。深度学习定义一般是指通过训练多层网络结构对未知数据进行分类或回归深度学习分类有监督学习方法——深度前馈网络、卷积神经网络、循环神经网络等；无监督学习方法——深度信念网、深度玻尔兹曼机，深度自编码器等。手写机器学习笔记github机器学习算法公式推导以及numpy实现github人工智能相关术语link。..................
wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_key])
java_pythons的博客
03-09 1528
在 yolov5 遇到这个问题，需要重新设置一下wandb，在对应的环境终端输入如下代码： wandb init 然后打开弹出的网址： 打开后复制key 在终端中输入（ctrl + v 在终端中不会出现你粘贴的东西），粘贴后 enter 就好。 然后选择创建一个新的还是远来已经创建好的，就可以： ...
wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_
记录我目之所及的世界
12-16 5061
wandb的BUG、yolov7
解决：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_
weixin_52890053的博客
08-04 1万+
快速解决：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_key)]，满满是干货
成功解决：wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_key])
热门推荐
weixin_46088823的博客
12-07 2万+
遇到这个问题，需要重新设置一下wandb，在对应的环境终端输入如下代码： wandb init 然后打开弹出的网址： 打开后复制key 在终端中输入，ctrl + v 在终端中不会出现你粘贴的东西，粘贴后 enter 就好。 然后选择创建一个新的还是远来已经创建好的，就可以： 回到程序再次运行，问题解决！ ...
wandb.errors.UsageError: api_key not configured (no-tty). call wandb.login(key=[your_api_key])解决办法
qlkaicx的博客
04-05 1265
会出现如下几行命令。
wandb login报错 wandb-script.py sys.exit(cli()) TypeError: ‘module‘ object is not callable
qq_41386243的博客
04-17 2245
一 wandb已经安装成功 二 不论是wandb init 还是wandb login都报错 三 在python文件中调用wandb的代码前加入一行 wandb.login(key='这里输入你的key') 四 重新运行程序 程序运行成功，我这里是提示我更新wandb，不管也罢，反正问题解决了。## 标题 ...
基于PyTorch的YOLOv4目标检测
wqn_wqn的博客
04-28 1111
近年来，深度学习在目标检测领域取得了显著的进展。YOLO（You Only Look Once）系列算法作为其中的佼佼者，以其高效性和准确性受到了广泛关注。本文旨在介绍如何使用YOLOv4算法进行喜羊羊与灰太狼动画人物的目标检测。我们将介绍如何搭建环境和通过准备数据集、训练模型、测试模型等步骤，展示YOLOv4在动画人物检测方面的应用。
目标检测 pytorch复现Yolov4目标检测项目
guoqingru0311的博客
06-29 871
目标检测 pytorch复现Yolov4目标检测项目
训练日志——wandb
醋酸洋红的博客
11-25 3582
通过观察 (parameters 板块中) 参数值的分布是否趋于稳定，以及 梯度是否收敛到趋近于0，可以判断当前模型的收敛情况。会将数据记录到当前的历史记录，换句话说就是每次运行到这里，系统就会将log内的参数值自动上传更新，一般数据会直接绘制成表格。用于跟踪模型以及跟踪模型中的参数和梯度，并且支持可视化的展示训练过程中的参数和梯度的动态变化。这个函数的作用与平常定义类里面的init函数作用类似，都是起初始化的作用。用于通知 Wandb 服务器该运行已经结束，并将所有数据上传到服务器。
pytorch-YOLOv4:YOLOv4的PyTorch，ONNX和TensorRT实现
03-19
pytorch-YOLOv4 YOLOv4的最小PyTorch实现。 Paper Yolo v4： ： 源代码： : 更多详细信息： : 推理 火车 莫卡奇 ├── README.md ├── dataset.py dataset ├── demo.py demo to run pytorch --> tool/darknet2pytorch ├── demo_darknet2onnx.py tool to convert into onnx --> tool/darknet2pytorch ├── demo_pytorch2onnx.py tool to convert into onnx ├── models.py model for pytorch ├── train.py
yolo v4 的代码-darknet-master-yolo-v4
04-24
yolo v4 的代码-darknet-master-yolo-v4 推荐下载
pytorch-YOLOv4-master.rar
09-08
手把手教物体检测yolov4 代码，包括数据集，训练好的模型和训练测试用的代码。
PyTorch_YOLOv4:YOLOv4的PyTorch实现
03-18
YOLOv4 这是PyTorch实施这是基于 。 。 开发日志 扩张 2021-01-26设计蒙版的2021-01-26 。 2021-01-25设计旋转增强。 2021-01-23设计拼贴增强。 2021-01-22支持 ， 。 2021-01-22支持 。 2021-01-19支持实例细分。 2021-01-17支持基于免锚的方法。 2021-01-14支持联合检测和分类。 2020-01-02年1 2020-01-02 -设计基于和的新模型。 2020-12-22支持转学。 2020-12-18支持非本地系列自我关注块 2020-12-16在cspnet纸中支持下采样块。 2020-12-03支持模仿学习 2020-12-02支撑。 2020-11-26支持多类多锚联合检测和嵌入。 2020-11-25支持。 2020-11-23支持师生学习。
Yolov4：这是一个yolov4_pytorch代码
03-03
约洛夫4 这是一个yolov4_pytorch代码 没有实现所有trick，做了以下实现： 骨干：DarkNet53 => CSPDarkNet53 特征金字塔：SPP，PAN 训练：Mosaic数据增强，标签平滑，学习率余弦衰减衰减，CIOU 激活函数：Mish
【万字长文】看完这篇yolov4详解，那算是真会了
最新发布
dont worry about it的博客
04-28 6万+
YOLO系列自2016年推出YOLOv1起，就以其卓越的速度和准确度引领着目标检测技术的潮流。YOLOv1将目标检测任务转化为一个回归问题，每个格子（grid cell）负责预测该区域内的物体。随后的YOLOv2通过批量归一化、高斯YOLO等技术进一步提升性能。YOLOv3引入多尺度预测，通过三个不同尺度的网络来检测不同尺寸的物体，极大地提升了对小目标的检测能力。
yolov4 训练自己的数据集
reset2021的博客
07-22 1451
基于yolov4算法训练自己的数据集，从实操入手
目标检测与位姿估计（七）：PyTorch-YOLOv4的使用
qq_37662375的博客
08-29 7425
YOLO V4出来也几天了，论文大致看了下，然后看到大量的优秀者实现了各个版本的YOLOV4了。 Yolo v4 论文: https://arxiv.org/abs/2004.10934 AB大神Darknet版本的源码实现: https://github.com/AlexeyAB/darknet 本文针对Pytorch版本实现的YOLOV4进行分析，感谢Tianxiaomo 分享的工程：Pytorch-YoloV4 作者分享的权重文件，下载地址： baidu(https://pan.baidu.
【SDK案例系列 07】基于 MindX SDK + Pytorch YoLoV4的目标检测
Ascend的博客
01-06 605
Pytorch YOLOV4
pytorch-yolov4-master
10-25
pytorch-yolov4-master是一个基于PyTorch深度学习框架实现的YOLOv4目标检测算法的代码库。YOLOv4是一种先进的目标检测算法，具有快速、高效和准确的特点。 这个代码库提供了训练和测试YOLOv4模型的代码和工具。它包含了模型的网络架构定义、数据预处理、损失函数、模型训练和推理等功能。使用这个代码库，我们可以方便地构建和训练自己的目标检测模型，也可以使用预训练好的模型进行目标检测任务。 在使用这个代码库时，我们需要准备训练数据集，包括标注好的目标框和对应的类别标签。然后，可以使用提供的脚本进行数据预处理和数据增强，例如对图片进行裁剪、缩放、翻转等操作，以增加模型的鲁棒性。接下来，可以使用提供的训练脚本进行模型的训练，通过迭代优化模型参数，使模型在目标检测任务上达到更好的效果。 训练完成后，我们可以使用提供的推理脚本对测试集或新的图片进行目标检测。它会将检测到的目标框和对应的类别标签输出，以及它们的置信度分数。我们可以根据需要对输出进行后处理，例如进行非极大值抑制(NMS)来去除冗余的框。 总之，pytorch-yolov4-master是一个强大的目标检测算法的代码库，提供了丰富的功能和工具，便于我们进行YOLOv4模型的构建、训练和推理。它为目标检测任务的开发和研究提供了便捷的工具和基础。
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
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