PP-YOLO的实验评估指标比现有最先进的对象检测模型YOLOv4表现出更好的性能,然而,本文并不打算介绍一种新型的目标检测器,而更像是一个食谱,告诉你如何逐步建立一个更好的探测器。
让我们一起看看。
YOLO发展史
YOLO最初是由Joseph Redmon提出,是用于检测目标的算法。目标检测是一种计算机视觉技术,它通过在目标周围画一个边界框来定位和标记对象,并确定一个给定的框所属的类标签。YOLO和大型NLP transformers不同,它设计得很小,可为设备上的部署提供实时推理速度。
YOLO-9000是Joseph Redmon提出的第二个“YOLOv2”目标探测器,它改进了探测器,并强调了该检测器能够推广到世界上任何物体的能力。
YOLOv3对检测网络做了进一步的改进,并开始将目标检测过程纳入主流。我们现在也在发布关于如何在PyTorch中训练YOLOv3、如何在Keras中训练YOLOv3的教程,并将YOLOv3的性能与EfficientDet(另一种最先进的检测器)进行比较。
然后约瑟夫·雷德曼出于伦理考虑退出了目标探测的研究。
当然,开源社区接过了指挥棒,继续推动YOLO技术的发展。
YOLOv4由Alexey AB在他的YOLO Darknet存储库中发表。YOLOv4主要是其他已知计算机视觉技术的集合,通过研究过程进行了组合和验证。请看这里来深入了解YOLOv4。
https://blog.roboflow.ai/a-thorough-breakdown-of-yolov4/
如下所示,我们也提供了一些关于如何在Darknet中训练YOLOv4的很好的训练教程。
https://blog.roboflow.ai/training-yolov4-on-a-custom-dataset/
YOLOv5采用了Darknet(