TensorFlow2深度学习实战（十四）：目标检测算法 YOLOv4 解析

前言：

本专栏将以理论与实战相结合的方式，对一些的经典的神经网络算法进行逐一解析，并使用深度学习框架 TensorFlow2 逐一实现这些经典的深度学习算法，来实现图像分类、目标检测、语义分割等任务。本专栏将持续更新，敬请期待！

专栏目录：TensorFlow2 深度学习实战

Github仓库，欢迎star：https://github.com/Keyird

一、YOLOv4简介

去年（2020年）YOLO系列的作者Redmon在推特上发表声明，出于某些方面的考虑，从此退出CV界。听到此消息的我，为之震惊！本以为YOLOv3已经是YOLO系列的终局之战。没想到就在今年，Alexey Bochkovskiy等人与Redmon取得联系，正式将他们的研究命名为YOLOv4。

YOLOv4 在 YOLOv3 网络结构的基础进行了一定改进，引入了近几年CNN领域中最优秀的优化策略，从数据增强、骨干网络、网络训练、激活函数、损失函数等方面进行不同程度的优化，实现了检测速度和精度的最佳权衡。实验表明，在Tesla V100上，对MS COCO数据集的实时检测速度达到 65 FPS，精度达到 43.5%AP。

在性能方面，YOLOv4 的检测速度比 EfficientDet 快两倍，检测准确度却相当。与 YOLOv3 相比，精度AP 和速度 FPS 分别提高了 10% 和