地表最强一阶段目标检测框架：yolov4之tf2+版本

原文地址

        从第一版的yolov3（GitHub - qqwweee/keras-yolo3: A Keras implementation of YOLOv3 (Tensorflow backend)）在这位q神翻译出来后，在下一直跟进yolo的发展，两年前第一次迁移了q神的keras版。最近keras版的yolov4（GitHub - Ma-Dan/keras-yolo4: A Keras implementation of YOLOv4 (Tensorflow backend)）也问世了。由于tf发展到了tf2+，很多模型建立过程、命名规则、文件读取方法以及keras的支持等，都做了非常大的调整，再加上该版本的代码是延续yolov3的代码，没有使用论文的很多tricks，加上历史遗留代码存在很多的不可读因素和局部地方的小bug。因此，基于以上两点考虑，在下联合一位cv从业同学完成了基于tf2版本的、用keras编写的yolov4.

        请收下传送门：GitHub - robbebluecp/tf2-yolov4: yolov4 base on keras of tf2+, tf2 support perfectly

        对于这版的yolov4，我们做了如下优化：

     （1）数据增强。我们在之前的resize、色彩调整、旋转的基础上，增加了mixup、mosaic、任意角度旋转（不建议用任意角            

               度）、背景填充、pixel等数据增强策略；

     （2）模型整合。对yolo整体网络结构和局部结构做详细拆分和更详细的整合。如darknet、spp、pan等；

     （3）loss优化。ciou优化、loss代码优化；

     （4）convert调整。tf1+和tf2+对darknet权重文件的读取，从二进制流和命名方法上都有很大不的不同，tf2+转换非常快，且

               跟tf1不能兼容。tf1和tf2对darknet训练出来的权重参数转化的h5文件，是完全不一样的。所以在使用该版本的convert.py之前。务

               必确保你的tensorflow>=2.0版本！！！

     （5）config配置文件取代动态传参；

     （6）尽可能使np和tf分离，让训练和预测在一定程度上提速；