PP-YOLO是基于PaddlePaddle的深度学习框架，通过一系列改进技术，如更换Resnet50-vd-dcn骨干网、模型参数的EMA和DropBlock正则化，提升了目标检测性能。PP-YOLO在COCO数据集上的mAP超过YOLOv4，同时保持较高的推理速度。尽管YOLOv5可能在某些方面表现更好，但PP-YOLO为优化目标检测提供了新的方向。
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（
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
