yolov4

最新推荐文章于 2024-01-11 11:31:42 发布
最新推荐文章于 2024-01-11 11:31:42 发布
阅读量580 收藏
点赞数
分类专栏： 目标检测yolo 文章标签： YOLO 人工智能 机器学习
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/weixin_39107270/article/details/130594920
版权
V4版本整合多种数据增强策略，如BOF、Mosaic和Mixup，以及DropBlock和LabelSmoothing以提升模型泛化能力。采用CIOU损失函数解决IOU损失问题，改进NMS算法，结合SPP、CBAM和PAN模块优化网络结构，提高检测效率和准确性。
摘要由CSDN通过智能技术生成

1 V4版本概述

在这里插入图片描述
集各种优秀方案于一身，嫁接了众多主流的目标识别方面的情况。

V4 贡献

在这里插入图片描述

3. 数据增强策略分析

BOF

Bag of freebies(BOF)
在这里插入图片描述

Mosiac 数据增强在这里插入图片描述

  • Mixup
    比如将狗和猫的两张图片混合，一半猫，一半狗。 label 也变成 Dog 0.5 , Cat 0.5
  • Cutout, 将狗的部分身体挡住，学习局部，提高难度
  • CutMix 将其他类别的如猫提出来挡住狗的一部分。 标签如改成Dog 0.6， Cat 0.4
    yolov4作者参考以上方法，参考CutMix，各个图像按照原有的图像增强方法进行增强，然后将4张图像拼接成一张进行训练。

数据增强

  • Random Erase
  • Hide and Seek
    在这里插入图片描述

4. DropBlock与标签平滑方法

  • 引入噪音干扰，增强当前的输入
    在这里插入图片描述

  • DropBlock
    Dropout： 为了防止过拟合，随机的杀死一些神经元
    DroBlack：杀死部分模块，比如将眼镜、耳朵等块挡住，降低过拟合风险，提高泛化能力。
    在这里插入图片描述

  • Label Smoothing
    神经网络自觉不错，经常过拟合
    修改标签，进行标签平滑，提高抗过拟合能力。使主要标签占大比例，如0.95
    在这里插入图片描述
    在这里插入图片描述

5. 损失函数遇到的问题

  • IOU损失
    在这里插入图片描述
    IOU=0,会出现梯度消失的情况
    引入C，C可以把A、B包含在内
    在这里插入图片描述

6. CIOU损失函数的定义

在这里插入图片描述
在这里插入图片描述
yolov4最终使用CIOU作为损失函数，同时考虑了重叠面积（IOU），中心距离和长宽比

7.NMS细节改进

在这里插入图片描述

在这里插入图片描述
NMS: 先找置信度值最大的，然后将其他的提出掉
Soft-NMS:算完DIOU-NMS后，图上绿色框大概率会被干掉。但是图上有2只🐎，绿色的应该要被保留。不满足要求的先不直接剔除掉，而是对其降分，然后在之后看其综合表现，如能达标，则留下，不能达标，则剔除。

8. SPP与CSP 网络结构

在这里插入图片描述## SPP
在这里插入图片描述
在这里插入图片描述
拆成两部分后，一部分正常走网络，数据量变小了，速度变快了。

CBAM

在这里插入图片描述
attention:百分比，挑重点

10 PAN模块

在这里插入图片描述
在这里插入图片描述

激活函数

在这里插入图片描述
在这里插入图片描述

整体网络架构

在这里插入图片描述

闪闪发亮的小星星
关注
专栏目录
c#调用yolov4 yolov4实例
12-07
标题中的"C#调用YOLOv4"是指在C#编程环境下，利用接口或库来运行YOLOv4，这是一个先进的目标检测模型。YOLO，全称"You Only Look Once"，是一种实时的目标检测系统，而YOLOv4是其系列中的最新版本，以其高精度和相对...
YOLOv4-pytorch 版源代码
06-25
YOLOv4-pytorch版源代码是针对目标检测模型YOLOv4的一个实现，该模型基于深度学习框架PyTorch。YOLO（You Only Look Once）是一种实时目标检测系统，以其快速和准确的特性在计算机视觉领域广受欢迎。YOLOv4在前几代...
【YOLO系列】 YOLO V4之正则化DropBlock
江湖小Jay的博客
01-11 1018
DropBlock是一种正则化技术，用于防止深度神经网络的过拟合。它通过在训练过程中随机丢弃网络中的一部分特征图，来增加模型的泛化能力。文章中分析了传统的dropout在conv上效果不好的原因conv具有空间相关性，所以即使对一些单元随机进行dropout，仍然可以有信息流向后面的网络，导致dropout不彻底。针对这个问题，作者提出了DropBolck这一方法，思想很简单：从名字就可以看出来，既然随机丢弃独立的单元可能导致丢弃不彻底，那不如一次丢弃一个block。
庖丁解牛yolo_v4之DropBlock
Bruce_0712的博客
06-10 1185
论文： DropBlock: A regularization method forconvolutional networks Github： https://github.com/miguelvr/dropblock https://github.com/DHZS/tf-dropblock 论文主要提出了一种针对卷积层的正则化方法DropBlock，最终在ImageNet分类任务上，使用Resnet-50结构，将精度提升1.6%个点，在COCO检测任务上，精度提升1.6%个点。 (...
【YOLO v4 相关理论】Regularizations(正则化): DropOut、DropBlock（最重要）、Spatial DropOut、DropPath、DropConnect
qq_38253797的博客
05-13 7268
一、DropOut Dropout是2012年深度学习视觉领域的开山之作paper：AlexNet《ImageNet Classification with Deep Convolutional》所提到的算法，用于提高网络的泛化能力, 防止过拟合。 Dropout现在一般用于全连接层，卷积层一般不使用Dropout，而是使用BN来防止过拟合，而且卷积核还会有relu等非线性函数，降低特征直接的关联性。 1.1、什么是DropOut? 我们知道，典型的神经网络其训练流程是将输入通过网络进行正向传导，然后将lo
深度学习目标检测_YOLOV4超详细解读
m0_54634272的博客
02-13 2399
深度学习目标检测_YOLOV4超详细解读
yolov4——你总能在这找到你想要的答案
m0_56175815的博客
06-09 1233
YOLOv4是一种目标检测算法，它是YOLO系列（You Only Look Once）的最新版本。YOLO算法是一种实时目标检测算法，能够在一次前向传播过程中同时进行目标检测和定位。YOLOv4在YOLOv3的基础上进行了改进和优化，提高了检测精度和速度。
YOLOv4目标检测：原理与源码解析
06-26
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》，课程链接 https://edu.csdn.net/course/detail/29865【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！  代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：- YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《YOLOv4目标检测：原理与源码解析》外，本人推出了有关YOLOv4目标检测的系列课程，包括：《YOLOv4目标检测实战：训练自己的数据集》《YOLOv4-tiny目标检测实战：训练自己的数据集》《YOLOv4目标检测实战：人脸口罩佩戴检测》《YOLOv4目标检测实战：中国交通标志识别》建议先学习一门YOLOv4实战课程，对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
yolov4.zip
11-26
YOLOv4是一种先进的目标检测算法，全称为You Only Look Once version 4。该算法在计算机视觉领域中广泛应用于实时物体检测，特别是在自动驾驶、安防监控、图像分析等场景。YOLOv4是YOLO系列算法的最新发展，它在前几...
darknet版YOLOv4官方权重文件yolov4-tiny.conv.29
02-27
darknet版YOLOv4官方权重文件，包括： 1、yolov4.weights 2、yolov4.conv.137 3、yolov4-tiny.conv.29 4、yolov4.conv.137.pth 5、yolo4_weights.pth
Complex-YOLOv4-Pytorch:本文基于YOLOv4的PyTorch实现
03-18
复杂的YOLOv4 本文基于YOLOv4的PyTorch实现： 特征 基于YOLOv4的实时3D对象检测 支持 张量板 镶嵌/切口增强训练 使用旋转框的损失进行优化。 更新2020.08.26 ： 更快的训练，更快的推理 无锚的方法 无需非最大抑制 ...
Windows版YOLOv4目标检测：原理与源码解析
06-29
需要学习ubuntu系统上YOLOv4的同学请前往：《YOLOv4目标检测实战：原理与源码解析》 【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！ 代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：- YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《Windows版YOLOv4目标检测：原理与源码解析》外，本人推出了有关YOLOv4目标检测的系列课程，包括：《Windows版YOLOv4目标检测实战：训练自己的数据集》《Windows版YOLOv4-Tiny目标检测实战：训练自己的数据集》《Windows版YOLOv4目标检测实战：人脸口罩佩戴检测》《Windows版YOLOv4目标检测实战：中国交通标志识别》建议先学习一门YOLOv4实战课程，对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
目标检测算法YOLOv4详解
浩瀚之水的专栏
03-08 1万+
YOLOv4是精度速度最优平衡, 各种调优手段是真香，本文主要从以下几个方面进行阐述： YOLOv4介绍 YOLOv4框架原理 BackBone训练策略 BackBone推理策略 检测头训练策略 检测头推理策略 1.YOLOv4介绍 YOLOV4其实是一个结合了大量前人研究技术，加以组合并进行适当创新的算法，实现了速度和精度的完美平衡。可以说有许多技巧可以提高卷积神经网络(CNN)的准确性，但是某些技巧仅适合在某些模型上运行，或者仅在某些问题上运行，或者仅在小型数据集上运行；我们来码一码这篇文
YOLOv4的Tricks解读二 --- 正则化（DropOut/DropConnect/DropBlock）
梦坠凡尘
05-20 5212
目录DropOutDropBlock YOLOv4 = CSPDarknet53 + SPP + PAN + YOLOv3 YOLOv4采用的trick可以分为以下几类： 用于骨干网的 Bag of Freebies（BoF）：CutMix和Mosaic数据增强，DropBlock正则化，Label Smooth 用于骨干网的 Bag of Specials（BoS）：Mish，跨阶段部分连接（CSP），多输入加权剩余连接（MiWRC） 用于检测器的 Bag of Specials（BoS）：Mish，S
YOLOv4---（详解各种trick）
justsolow的博客
05-29 2万+
YOLOv4—（详解各种trick） 参考自（https://zhuanlan.zhihu.com/p/139764729） 前段时间大名鼎鼎的yolov4终于面世了，可是看过以后确实大失所望。不是说yolov4不好，只不过没有什么革命性的创新，相当于作者尝试了计算机视觉领域的各种花里胡哨的trick，然后给了一个最佳方案的trick组合。而且，这些东西对于实际的工业生产并没有什么用。。。。也就是落地基本不可能。 下面来仔细看一下文章中提到的各种trick。 论文地址 github 文中将前人的工作主要分
DropBlock正则化
地推
10-17 228
PP-YOLO在FPN颈部实现DropBlock正则化（在过去，这通常发生在骨干）。在网络的给定步骤中，DropBlock会随机删除一部分训练特征，以指示模型不依赖于关键特征进行检测。
yolov4的全面详解
热门推荐
笼中鸟
10-13 5万+
一. 前言 作者AlexeyAB大神！ YOLOv4 拥有43.5%mAP+65FPS ，达到了精度速度最优平衡, 作者团队：Alexey Bochkovskiy&中国台湾中央研究院 论文链接： https://arxiv.org/pdf/2004.10934.pdf 代码链接： https://github.com/AlexeyAB/darknet ———————————————— 在讲YOLOv4之前，先介绍一下两个包：Bag of Freebies(免费包)和Bag-of-...
吊打一切的YOLOv4的tricks汇总！
喜欢打酱油的老鸟
07-27 1384
即使是目标检测在过去几年开始成熟，竞争仍然很激烈。如下所示，YOLOv4声称拥有最先进的精度，同时保持高处理帧速率。它在 MS COCO数据集上，使用Tesla V100以接近65 FPS推理速度获得精度43.5% AP (65.7% AP₅₀)。在目标检测中，高精度不再是唯一的基准。我们希望模型在边缘设备中平稳运行。如何用低成本的硬件对输入视频进行实时处理也变得非常重要。 原文链接：https://medium.com/@jonathan_hui/yolov4-c9901eaa8e61 YOLOv4 t
python yolov4
最新发布
04-08
YOLOv4是一种目标检测算法，它是YOLO（You Only Look Once）系列的最新版本。相比于之前的版本，YOLOv4在准确性和速度方面都有显著的提升。 YOLOv4是基于深度学习框架Python编写的，主要使用了TensorFlow和Darknet...
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

打赏作者

闪闪发亮的小星星

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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