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