YOLO—You Only Look Once学习笔记4

本文详细介绍了YOLOV4的目标检测网络结构,包括输入端的Mosaic数据增强,BackBone的CSPDarknet53网络与Mish激活函数, Neck部分的SPP模块和FPN+PAN结构,以及Prediction阶段的CIOU Loss和DIOU NMS。YOLOV4在YOLOV3基础上进行了多处创新,提升了性能和速度。
摘要由CSDN通过智能技术生成

YOLOV4学习笔记

最近项目需要认真学习yolo神经网络,因此将学习过程记录下来。
参考博客1:https://zhuanlan.zhihu.com/p/143747206


前言

YOLOV1-V4的论文链接
1.YOLOV1:https://arxiv.org/abs/1506.02640
2.YOLOV2:https://arxiv.org/abs/1612.08242
3.YOLOV3:https://arxiv.org/abs/1804.02767
4.YOLOV4:https://arxiv.org/abs/2004.10934
5.YOLO官方Github地址:https://github.com/AlexeyAB/darknet
6.YOLO官网:https://pjreddie.com/


YOLOV4

摘要

YOLO的原作者Joseph Redmon等人只将YOLO网络更新到了YOLOV3,YOLOV4以及YOLOV5等网络均不是Joseph Redmon等人提出的。但是可以参考YOLOV4以及YOLOV5的网络结构设计,提出符合自己要求的网络结构。

YOLOv4的检测速度比EfficientDet快两倍,性能相当。将YOLOv3的AP和FPS分别提高10%和12%,具体性能对比可见下图:

YOLOV4整体网络结构设计

如下图所示分别为YOLOV3(1)和YOLOV4(2)的整体网络结构对比,可以看出YOLOV4整体上和YOLOV3相差不大,YOLOV4在YOLOV3的基础上,在很多细节方面进行了创新:

  • 各种先进算法集成的创新,比如不同领域发表的最新论文的tricks,集成到YOLOV4(原博客缺少降采样过程
YOLO系列是基于深度学习的端到端实时目标检测方法。 PyTorch版的YOLOv5轻量而性能高,更加灵活和易用,当前非常流行。 本课程将手把手地教大家使用labelImg标注和使用YOLOv5训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv5使用ultralytics/yolov5,在Windows系统上做项目演示。包括:安装YOLOv5、标注自己的数据集、准备自己的数据集、修改配置文件、使用wandb训练可视化工具、训练自己的数据集、测试训练出的网络模型和性能统计。 希望学习Ubuntu上演示的同学,请前往 《YOLOv5(PyTorch)实战:训练自己的数据集(Ubuntu)》课程链接:https://edu.csdn.net/course/detail/30793  本人推出了有关YOLOv5目标检测的系列课程。请持续关注该系列的其它视频课程,包括:《YOLOv5(PyTorch)目标检测实战:训练自己的数据集》Ubuntu系统 https://edu.csdn.net/course/detail/30793Windows系统 https://edu.csdn.net/course/detail/30923《YOLOv5(PyTorch)目标检测:原理与源码解析》课程链接:https://edu.csdn.net/course/detail/31428《YOLOv5目标检测实战:Flask Web部署》课程链接:https://edu.csdn.net/course/detail/31087《YOLOv5(PyTorch)目标检测实战:TensorRT加速部署》课程链接:https://edu.csdn.net/course/detail/32303《YOLOv5目标检测实战:Jetson Nano部署》课程链接:https://edu.csdn.net/course/detail/32451《YOLOv5+DeepSORT多目标跟踪与计数精讲》课程链接:https://edu.csdn.net/course/detail/32669《YOLOv5实战口罩佩戴检测》课程链接:https://edu.csdn.net/course/detail/32744《YOLOv5实战中国交通标志识别》课程链接:https://edu.csdn.net/course/detail/35209《YOLOv5实战垃圾分类目标检测》课程链接:https://edu.csdn.net/course/detail/35284       
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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