點擊上方「AI算法與圖像處理」，選擇加"星標"或「置頂」git
重磅乾貨，第一時間送達
github
來源：Opencv中文網
web
論文已在後臺設置，爲了不爆滿形成的下載問題，小夥伴能夠在後臺回覆 「 YOLOv4 」，便可收到論文下載
YOLOv4 沒有理論創新，而是在原有YOLO目標檢測架構的基礎上增長了近年CNN改進的衆多技術，從數據處理到網絡訓練再到損失函數，遵行「拿來主義」，加上漂亮的工程實踐，打造實現最佳速度與精度平衡的目標檢測新基準！算法
在MS COCO 數據集 實現 43.5% AP (65.7% AP50 )， 速度也更快了，在Tesla V100 GPU上 ∼65 FPS！微信
上圖爲YOLOv4與其餘SOTA目標檢測算法的比較，在精度差很少的狀況下YOLOv4比EfficientDet快兩倍，而相對於YOLOv3 AP和FPS 分別提高了10%和12%！網絡
做者首先對現有目標檢測方法進行了總結，不管是one-stage 、two-stage 仍是 anchor free 、anchor based，均包含 Input、Backbone 、Neck、Heads（Dense Prediction或者Sparse Prediction）四部分。架構
目前各部分的主流技術包括：app
而後做者對現有目標檢測相關技術的進展作了總結，即大禮包「bag of freebies」和特價袋「Bag of specials」。編輯器
bag of freebies 指那些可以提升精度而不增長推斷時間的技術。好比數據增廣的方法圖像幾何變換、CutOut、grid mask等，網絡正則化的方法DropOut、DropBlock等，類別不平衡的處理方法、難例挖掘方法、損失函數的設計等。函數
-
bag of specials 是指那些增長稍許推斷代價，但能夠提升模型精度的方法，好比增大模型感覺野的SPP、ASPP、RFB等，引入注意力機制Squeeze-and-Excitation (SE) 、Spatial Attention Module (SAM)等 ，特徵集成方法SFAM , ASFF , BiFPN等，改進的激活函數Swish、Mish等，或者是後處理方法如soft NMS、DIoU NMS等
架構選擇：
通過綜合考慮計算量和精度，做者最終選擇的架構是：CSPDarknet53 做爲 backbone, SPP 模塊用於增大感覺野, PANet 用做 neck, 並仍沿襲 YOLOv3(anchor based) head。
做者在MS COCO 數據集上進行了實驗，結果以下：
每一行分別表明不一樣的GPU計算結果：
在主流的SOTA目標檢測算法中，YOLOv4實現了最佳的速度和精度的平衡，
在精度差很少的狀況下，YOLOv4的速度每每是最快的，
尤爲在FPS超過30的實時算法中，YOLOv4是精度最高的。
由於不一樣的算法公佈時可能在不一樣的GPU上進行測試，做者根據不一樣的GPU（Maxwell/Pascal/Volta）分別列出了YOLOv4與其餘算法的更詳細的比較，即Table 八、九、10，幀率大於等於30的用藍底標出。
可見YOLOv4 在實時目標檢測算法中精度最高，實現了精度和速度的最佳平衡。
論文地址：
雖然YOLOv4在理論上沒有創新，但其引人注目的精度速度，承襲YOLO系列的簡單易上手的操做體驗，必將成爲實時目標檢測的口碑之做！
end
本文分享自微信公衆號 - AI算法與圖像處理（AI_study）。
若有侵權，請聯繫 support@oschina.cn 刪除。
本文參與「OSC源創計劃」，歡迎正在閱讀的你也加入，一塊兒分享。