Scaled Yolov4论文解读

最新推荐文章于 2025-03-29 13:58:04 发布
最新推荐文章于 2025-03-29 13:58:04 发布
阅读量1.3k 收藏 6
点赞数 2
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/song4348101/article/details/109900885
版权
Scaled YOLOv4提出了一种网络缩放方法，通过调整模型的深度、宽度、分辨率和结构，实现从Tiny到Large模型的高效缩放。YOLOv4-large在MS COCO上达到55.4%AP，而YOLOv4-tiny在RTX2080Ti上实现22.0%AP。文章详细探讨了模型缩放原理，包括CSP结构在ResNet、ResNeXt和Darknet中的应用，以及针对Low-End设备和高端GPU的模型设计策略。

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

Scaled Yolov4

一、简介

本文提出了一种通过修改网络的深度，宽度，分辨率和网络结构的网络缩放方法。YOLOv4-large模型达到了当前state-of-the-art结果，在MS COCO 数据集上，Tesla V100上实现了55.4%AP（73.3%AP50）和15FPS，并且在使用TTA（ test time augmentation）方法后YOLOv4达到了55.8%AP（73.2%AP50）。是当前已提出的方法中在MS COCO数据集上精度最高的模型。YOLOv4-tiny在RTX2080Ti上达到了22.0% AP (42.0% AP50)，大约443FPS，在使用了TensorRT，batch size=4和FP16混合精度训练方法后，YOLOv4-tiny达到了1774FPS.

二、本文贡献

  1. 为小模型设计了一个功能强大的模型缩放方法，可以系统地平衡浅层CNN的计算成本和内存带宽。
  2. 为缩放一个大的目标检测器设计了一个简单而且有效的策略。
  3. 分析所有模型缩放因子之间的关系，并且基于最有利的部分进行模型缩放。
  4. 实验已经证实，FPN结构本质上是一劳永逸的结构。
  5. 使用上面的方法构建了YOLOv4-large和YOLOv4-tiny。

三、模型缩放原理

3.1模型缩放的一般原理

在设计高效的模型缩放方法时，我们主要的原理是当扩大/缩小规模时，我们要增加/减少 更低/更高的定量成本，则越好。接下来我们会去展示和分析几种不同的CNN模型，来理解

最低0.47元/天 解锁文章
song4348101
关注
大神接力 | YOLOv4论文介绍及翻译（纯中文版）
突然好想你
11-06 173
YOLOv4论文的发表背景是在原作者声名放弃更新YOLO算法后，俄罗斯的Alexey大神扛起了YOLOv4的大旗，并在论文中介绍了YOLOv4算法最新的研究成果。本篇文章对YOLOv4论文所产生的背景和内容进行详细解读，希望大家学习之后能够有所收获！🌈
损失函数篇 | YOLOv8更换损失函数之MPDIoU（23年7月首发论文）
突然好想你
04-04 2087
损失函数是机器学习中用来衡量模型预测值与真实值之间差异的函数。在训练模型时，我们希望通过不断调整模型参数，使得损失函数的值最小化，从而使得模型的预测值更加接近真实值。本节课重点说下MPDIoU损失函数的更换！~🌈
ScaledYOLOv4
03-11
缩放YOLOv4 这是“ ”的实现。 引文 @article{wang2020scaled, title={{Scaled-YOLOv4}: Scaling Cross Stage Partial Network}, author={Wang, Chien-Yao and Bochkovskiy, Alexey and Liao, Hong-Yuan Mark}, journal={arXiv preprint arXiv:2011.08036}, year={2020} }
Scaled-YOLOv4:CSP网络的缩放
kobayashi_的博客
11-22 7187
Scaled-YOLOv4: Scaling Cross Stage Partial Network 原文： https://arxiv.org/pdf/2011.08036v1.pdf 项目地址： https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-csp 网络结构在第四节⭐️ 文章目录Scaled-YOLOv4: Scaling Cross Stage Partial Network0.Abstract1.Introduction2.Rela
Yolo系列之Yolov4的改进及网络框架
最新发布
是十一月末的博客
03-29 813
Yolo系列之Yolov4的改进及网络框架
【Scaled-YOLOv4】
咖啡味儿的咖啡
12-25 1249
COCO数据集AP被刷到了55.4%（FPS=15），核心是在YOLOV4上研究模型缩放（model scaling）技术。台湾同胞的论文，写的有点拗口就不直译了。。 Abstract 我们证明了使用CSP方法的YOLOv4目标检测网络在向下或者向上缩放时可以保持最优的速度和精度。我们提出了一种模型缩放方法，它不止是可以修改模型的深度、宽度、分辨率，也可以修改模型的结构。YOLOv4- large把coco刷到了55.4%（FPS=15，Tesla V100） 1. Introduction 模..
Scaled-YOLOv4: Scaling Cross Stage Partial Network
qq_52302919的博客
03-07 1540
本文的贡献： （1）针对小模型设计了一种强大的模型缩放方法，该方法可以系统地平衡浅层CNN的计算成本和存储带宽； （2） 设计一个简单但有效的策略来缩放大型目标探测器； （3） 分析所有模型缩放因子之间的关系，然后根据最有利的组划分进行模型缩放；
YOLO系列目标检测算法-Scaled-YOLOv4
AI-Mei的博客
09-21 2273
本文介绍YOLO系列文章之Scaled YOLOv4。Scaled YOLOv4中提出一种网络缩放技术，使得YOLOv4可以上下伸缩，以适用于大型/小型模型。将CSP应用到各式CNN中，可以减少参数和计算量，提高准确性，减少推理时间，因此CSP化了Backbone、neck和SPP；分别分析了对于低端设备和高端设备对模型缩放的研究；使用不同的技术设计了小型、大型模型，都取得了优异的性能。
YOLOv7目标检测论文解读与推理演示
04-23
YOLOv7的架构是对YOLOv4、Scaled YOLOv4和YOLO-R的进一步发展和优化。 YOLOv7的创新之处体现在以下几个方面： 1. **E-ELAN（Extended Efficient Layer Aggregation Network）**：这是一种计算块，旨在提高网络的...
YOLOv5白皮书-第Y4周：common.py文件解读
lihuhelihu的博客
07-10 877
经典的空间金字塔池化模块首先将输入的卷积特征分成不同的尺寸，然后每个尺寸提取固定维度的特征，最后将这些特征拼接成一个固定的维度，如图所示。输入的卷积特征图的大小为(w,h)，第一层空间金字塔采用4×4的刻度对特征图进行划分，其将输入的特征图分成了16个块，每块的大小为(w/4, h/4)；Focus模块是yolov5作者自己设计出来，为了减少浮点数和提高速度，而不是增加featuremap的，本质就是将图像进行切片，类似于下采样取值，将原图像的宽高信息切分，聚合到channel通道中。
ScaledYOLOv4-yolov4-large实践.zip
01-01
ScaledYoloV4实践 https://wanghao.blog.csdn.net/article/details/112073471，代码和数据集
start-scaled-yolov4:开始缩放 YOLOv4
05-29
Start Scaled YOLOv4 Scaled-YOLOv4 代码: 论文: 文章: 环境准备 基础环境 Nvidia 显卡的主机 Ubuntu 18.04 系统安装，可见 Nvidia Driver 驱动安装，可见 开发环境 下载并安装 ,之后于 Terminal 执行： # 创建 Python 虚拟环境 conda create -n scaled-yolov4 python=3.8 -y conda activate scaled-yolov4 # 安装 PyTorch with CUDA conda install pytorch==1.7.1 torchvision==0.8.2 cudatoolkit=10.2 -c pytorch -y 注意： pytorch 等版本请对照表 cudatoolkit 版本请对照表 conda 下载过慢，可尝试配置国内镜像源 下载 ，
Scaled-YOLOv4来了！55.8% AP！速度高达1774 FPS！Scaled-YOLOv4: Scaling Cross Stage Partial Network
阿木寺的博客
11-17 1577
YOLOv4 官方改进版来了！55.8% AP！Scaled-YOLOv4：扩展跨阶段局部网络 注：文末附目标检测微信交流群 Scaled-YOLOv4: Scaling Cross Stage Partial Network 作者单位：YOLOv4原班人马（Chien-Yao Wang、AlexeyAB等人） PyTorch代码：https://github.com/WongKinYiu/ScaledYOLOv4 darknet代码：https://github.com/AlexeyAB/darkne
论文翻译：Scaled-YOLOv4: Scaling Cross Stage Partial Network
Ai_Smith的博客
11-18 1747
大体翻译了下，个别地方原文看的我就迷糊，为了保持原样，就保留了。 Scaled-YOLOv4: Scaling Cross Stage Partial Network 摘要 ____我们展示了基于CSP方法的YOLOv4对象检测神经网络，保持最佳速度和准确性同时，可向上下缩放，且适用于小型和大型网络。我们提出了一种网络缩放方法，该方法不仅可以修改深度、宽度、分辨率，还可以修改网络的结构。 YOLOv4-large模型达到了SOTA结果：在Tesla V100上，15 FPS，MS COCO数据集达到55.4
论文阅读笔记 之 YOLOv4 & scaled YOLOv4
流觞时光
11-30 3082
一、目标检测框架总结 在YOLOv4论文中，作者首先对当前目标检测领域的模型进行了总结。作者将目标检测模型归纳为下图所示的结构： 作者将模型分为 输入、backbone、neck、预测部分，其中Dense Prediction加前三部分为one-stage检测模型框架，Sparse Predition 加前三部分为two-stage 检测模型框架。这里的Neck部分主要指的是网络中对backbone提取的特征进行多尺度融合(如FPN等)或者进一步处理（注意力机制等）。并且作者也列出来各个部分目前表现较好的
Scaled-YOLOv4: Scaling Cross Stage Partial Network 论文学习
calvinpaean的博客
01-19 1016
Abstract 作者证明基于 CSP 方法的 YOLOv4 目标检测网络可以进行放大和缩小，在保证准确率和训练速度的同时应用在大网络和小网络上。作者提出了一个网络缩放方法，不仅修改深度、宽度和分辨率，也可修改网络结构。YOLOv4-large 模型取得了 state of the art 的效果：在 MS COCO 数据集上 55.4%55.4\%55.4% 的 AP（73.3%73.3\%73.3% AP50），在 Tesla V100 上的速度是15 FPS。据我们所知，这是目前在 COCO 数据集上
目标检测——day66 Scaled-YOLOv4: Scaling Cross Stage Partial Network
想太多的学习日志
01-17 1060
基于CSP方法的YOLOV4目标检测神经网络具有上下可伸缩性，适用于小型网络和大型网络。 因此，我们使用TensorRT-FP16在Test-Dev COCO数据集上实现了Yolov4大模型的最高精度56.0%AP,在RTX 2080TI上实现了Yolov4小模型的极高速度1774 fps,在其他Yolov4模型上实现了最佳速度和精度。
ScaledYOLOv4训练自己的数据集（各种报错均有解决）
weixin_44688182的博客
05-13 835
ScaledYOLOv4训练自己的数据集 以及各种报错解决
scaled yolov4
08-01
Scaled YOLOv4是一种目标检测算法，它是YOLOv4的一个改进版本。YOLO（You Only Look Once）是一种实时目标检测算法，通过将图像划分为网格并利用卷积神经网络来预测每个网格内是否含有目标以及目标的位置和类别。 Scaled YOLOv4在YOLOv4的基础上进行了一些改进，主要包括网络结构和训练策略的调整。首先，Scaled YOLOv4采用了CSPDarknet53作为主干网络，这是一种更深、更强大的网络结构，能够提取更多的特征信息。其次，这个版本的YOLOv4使用了PANet结构来融合不同层级的特征，从而提高目标检测的准确性和鲁棒性。 除了网络结构上的改进，Scaled YOLOv4还使用了一种称为Mosaic的数据增强技术。该技术随机选择四张图像进行融合，从而增加了训练数据的多样性，提高了模型对于姿态、尺度和遮挡等变化的鲁棒性。 综合来看，Scaled YOLOv4在网络结构和训练策略上进行了优化，通过提取更强大的特征、融合不同层级的特征以及增加数据多样性，使得目标检测算法在准确性和鲁棒性方面都有了明显的提升。这对于许多实时场景下的目标检测应用都具有重要意义，例如无人驾驶、智能监控等领域。
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