YOLO V4论文翻译及复现

最新推荐文章于 2024-04-28 21:15:19 发布
最新推荐文章于 2024-04-28 21:15:19 发布
阅读量2.4k 收藏 33
点赞数
分类专栏： 计算机视觉 论文阅读 文章标签： 深度学习 神经网络
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/rock4you/article/details/106012295
版权

PaddlePaddle官方复现：

https://github.com/PaddlePaddle/PaddleDetection/blob/master/configs/yolo/README.md

DarkNet：https://github.com/AlexeyAB/darknet

PyTorch 网友复现：

https://github.com/Tianxiaomo/pytorch-YOLOv4

https://github.com/GZQ0723/YoloV4

https://github.com/miki998/YoloV4_PyTorch

TensorFlow 网友复现：

https://github.com/klauspa/Yolov4-tensorflow

https://github.com/xiao9616/yolo4_tensorflow2

https://github.com/rrddcc/YOLOv4_tensorflow

https://github.com/hunglc007/tensorflow-yolov4-tflite

Keras网友复现：

https://github.com/Ma-Dan/keras-yolo4

QtGUI网友复现：

https://github.com/scutlrr/Yolov4-QtGUI

 

更多内容，欢迎关注公众号：

 

论文翻译：

YOLOv4: Optimal Speed and Accuracy of Object Detection

YOLOv4：优化目标检测的速度和精度

论文下载地址：https://arxiv.org/abs/2004.10934

 

摘要：

有大量的特征被认为可以提升卷积神经网络的精度。

将这些特征进行组合后在大规模数据集上进行实际的测试，并给出理论层面的正当理由，是必要的。

有些特征针对特定问题、特定模型，或者仅仅是针对小规模数据集起作用。

与此同时，有些特征，例如批标准化、残差链接能够在绝大多数模型、任务和数据集上发挥作用。

我们假设这些普适性的特征包括权重残差连接WRC、跨级部分连接CSP、交叉小批量标准化cmBN、自我对抗训练SAT、Mish激活函数。

我们将上述特征与马赛克数据增强、卷积正则化方法DropBlock、CIoU损失等进行联合，得到了最先进的结果：在MS COCO数据集上基于 Tesla V100，实现了精度为 43.5%AP (65.7% AP50) ，实时速度 ∼65 FPS的目标检测 . 源码连接https://github.com/AlexeyAB/darknet

 

1、引言

大多数基于卷积神经网络的目标检测仅大规模应用在推荐系统中。

例如，利用低速精确模型通过城市摄像头可以搜索空闲停车位 ，高速不准确模型可用于车辆碰撞预警。

提升实时目标检测的精度可以使它们不仅用于提示生成推荐系统，而且可以独立流程管理和减少人力投入。

基于传统GPU的实时目标检测允许它们以可接受的价格处理高负荷任务。

最精确的现代化神经网络并非实时运算，并且需要大量的GPU训练较大的小批量尺寸。

我们通过创造一个能够在传统GPU上实时运算的卷积神经网络来解决这些问题，训练阶段仅使用一个传统的GPU。

 

这篇论文的主要目标是设计一个用于生产系统、并行计算优化的高速计算的目标检测器，而不是理论上较低计算能力系数 BFLOP。

我们期望设计出来的目标检测器能够易于训练和使用。

例如，任何人使用一个传统的GPU进行训练和

最低0.47元/天 解锁文章
rock4you
关注
  • 0
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
YOLOv4全文阅读（全文中文翻译）
吴建明wujianming_110117
04-25 1291
YOLOv4全文阅读（全文中文翻译） YOLOv4: Optimal Speed and Accuracy of Object Detection 论文链接： https://arxiv.org/pdf/2004.10934.pdf 代码链接： https://github.com/AlexeyAB/darknet 摘要 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...
tensorflow-yolov4-tflite：YOLOv4，YOLOv4-tiny，YOLOv3，YOLOv3-tiny在Tensorflow 2.0，Android中实现。 转换YOLO v4 .weights张量流，张量和tflite
01-31
tensorflow-yolov4-tflite YOLOv4，YOLOv4-tiny在Tensorflow 2.0中实现。 将YOLO v4，YOLOv3，YOLO tiny .weights转换为.pb，.tflite和trt格式以生成tensorflow，tensorflow lite和tensorRT。 下载yolov4.weights文件： ://drive.google.com/open id 1cewMfusmPjYWbrnuJRuKhPMwRe_b9PaT 先决条件 Tensorflow 2.3.0rc0 性能 演示版 # Convert darknet weights to tensorflow # # yolov4 python save_model.py --weights ./data/yolov4.weights --output ./checkpoints/yolov4-416 --input_size 416 --model yolov4 # # yolov4-tiny python save_model.py --weights ./data/
Yolov4论文翻译与解析（一）
liu3612162的博客
04-25 9858
前言 时隔两年之后，伴着Yolo原作者Redmon在twitter正式宣布退出cv界，大家都以为yolo系列已经终结的时候，Yolov4横空出世，虽然作者已经大换血，但论文中给出的测试结果依然保留yolo系列的血统：保持相对较高的mAP的同时，大大降低计算量，可谓是学术成果在工业应用的典范，至于实际使用如何，还需要时间的进一步检验，期望v4能够如v3一般强大。这里对原论文进行一些个人的解析，有不对...
【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 4万+
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论文翻译(已校正)
m0_57787115的博客
05-09 974
据说有大量的特征可以提高卷积神经网络(CNN)的准确性。需要在大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。有些特征专门针对某些模型和某些问题，或者只针对小规模数据集;而一些特性，如批处理标准化和剩余连接，适用于大多数模型、任务和数据集。我们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)，跨小批处理标准化(CmBN)，自我对抗训练(SAT)和mish激活。
文献翻译——YOLOv4:Optimal Speed and Accuracy of Object Detection
htx的博客
10-14 1350
摘要 目前有很多可以提高CNN准确性的算法。这些算法的组合在庞大数据集上进行测试、对实验结果进行理论验证都是非常必要的。有些算法只在特定的模型上有效果，并且只对特定的问题有效，或者只对小规模的数据集有效；然而有些算法，比如batch-normalization和residual-connections，对大多数的模型、任务和数据集都适用。我们认为这样通用的算法包括：Weighted-Residual-Connections（WRC), Cross-Stage-Partial-connections（CSP）
YOLOv4论文翻译及总结
qq_36523203的博客
12-21 1785
借鉴文章：https://zhuanlan.zhihu.com/p/143747206 YOLOv4资源链接： 论文：https://arxiv.org/abs/2004.10934 代码：python代码：https://github.com/Tianxiaomo/pytorch-YOLOv4 c++代码：https://github.com/AlexeyAB/darknet python版本的Tensorrt代码： https://github.com/hunglc007/tensorflow-yolo
YOLO系列论文翻译
07-25
这些论文翻译对于理解YOLO系列模型的工作原理、优化策略以及在实际应用中的表现至关重要。通过阅读这些翻译，读者可以深入了解到YOLO是如何实现快速目标检测的，以及各版本之间的改进之处。对于研究者和开发者来说，...
yolo论文与pytorch复现版
04-04
本文将深入探讨YOLO论文中的核心概念，以及如何使用PyTorch复现YOLOv3模型。 YOLO（You Only Look Once）最初由Joseph Redmon等人在2016年的论文中提出，其主要思想是将图像分割为多个网格，并让每个网格负责预测几...
yolo v4 的代码-darknet-master-yolo-v4
04-24
7. **Anchor机制**：YOLOv4沿用了YOLO系列的Anchor Box机制，通过预先设定的参考框来加速预测过程，并优化了Anchor的大小和比例，以适应更多种类的物体。 8. **技术融合**：YOLOv4还整合了其他先进的目标检测技术，...
YOLO论文翻译
11-19
这篇翻译集合包含了YOLO系列的三个主要版本：YOLOv1、YOLOv2和YOLOv3的论文详细翻译，是深入理解这一技术的重要资源。 首先，YOLOv1在2015年首次提出，它的核心思想是将目标检测视为一个全局的回归问题，而不是像...
yolo系列论文.zip
09-08
总之，YOLO系列从v1到v4，每一代都在提升目标检测的准确性和效率，不断优化网络结构，引入新的技术，以适应更复杂、多样的视觉任务。这些论文不仅是深度学习和目标检测领域的宝贵资源，也是研究者和开发者学习和实践...
基于yolov4-tiny-pytorch轻量级框架的目标检测
萧鼎的博客
04-07 996
1.官网下载框架https://github.com/bubbliiiing/yolov4-tiny-pytorch 2.下载权重yolov4_tiny_voc.pth，https://pan.baidu.com/s/1W6hKHXyvKoq57qyxfYNDww，密码，gcb7，放在如图位置 3.需要的关键几个python库，numpy1.16.2,torch1.2,torchvision==0.4.0,下载代码如下： pip install numpy==1.16.2 pip install tor
目标检测与位姿估计（七）：PyTorch-YOLOv4的使用
qq_37662375的博客
08-29 7283
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.
基于Pytorch搭建的Yolov4目标检测
wuliwlll的博客
12-21 1850
笔记
【YOLOv4-pytorch】训练自己的数据集实践记录及问题总结
gsgs1234的博客
02-18 5105
YOLOv4-pytorch训练自己的数据集 目录YOLOv4-pytorch训练自己的数据集一.数据集准备 二.训练 三.遇到的问题&解决方案
YOLOv4论文阅读（附原文翻译）
fengmaomao1991的专栏
10-08 1万+
YOLOv4论文阅读Abstract摘要1.Introduction 引言2.Related work相关工作2.1.Object detection models目标检测模型2.2.Bag of freebies免费礼包2.3.Bag of specials特价礼包 Abstract摘要 There are a huge number of features which are said to improve Convolutional Neural Network (CNN) accuracy. Pra
YOLOV4目标检测--计数方法draw_detections_v3
u010451780的专栏
11-13 2244
YOLOv4检测图片添加置信度和计数 YOLOv4检测图片添加置信度和计数 本文章向大家介绍 YOLOv4检测图片添加置信度和计数 ，主要包括 YOLOv4检测图片添加置信度和计数 使用实例、应用技巧、基本知识点总结和需要注意事项，具有一定的参考价值，需要的朋友可以参考一下。 主要修改的image.c文件，在darknet目录下直接ctrl+f搜即可，然后打开，找到draw_detections_v3函数，加入用来计数的变量。（我的改法其实有点问题，如果置信度位数过多的话左上角第二行会重...
yolo v3，yolo v4以及yolo v4tiny等算法的比较
09-25
YOLO（You Only Look Once）是一种流行的目标检测算法，其中包括YOLO v3，YOLO v4和YOLO v4tiny。这些算法在目标检测领域有着显著的影响力。 YOLO v3是YOLO系列的第三个版本，它引入了一些改进来提高检测性能。相较于YOLO v2，YOLO v3采用了更大的网络架构，包含更多的卷积层和更多的特征图。此外，YOLO v3还引入了不同尺度的检测，通过检测不同尺度的特征图来提高检测效果。 YOLO v4是YOLO系列的最新版本，它在YOLO v3的基础上进一步改进和优化。YOLO v4采用了更大的网络架构，使用了更多的技术手段来提高检测性能，包括CIOU损失函数、DCNv2（Deformable Convolutional Networks）、Mish激活函数等。YOLO v4在目标检测的精度和速度上都有显著的提升。 YOLO v4tiny是YOLO v4的一个轻量级版本，用于在资源受限的情况下进行目标检测。YOLO v4tiny采用了较小的网络架构，以牺牲一部分检测性能来换取更高的推理速度和较低的模型大小。 综上所述，YOLO v3、YOLO v4和YOLO v4tiny都是用于目标检测的算法，其中YOLO v4具有最先进的性能，而YOLO v4tiny则更适合资源有限的场景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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