作者 | Mr.Jk.Zhang
责编 | 夕颜
出品 | CSDN（ID:CSDNnews）
前言
千呼万唤始出来系列，继YOLOv3两年后，YOLOv4终于在上周出来了，让我们来一睹论文真容吧！由于YOLO之父Jeseph Redmon在今年2月已宣布退出CV学术界，大家都以为YOLO系列已不再更新了，幸而，学术界和开源社区的力量是强大的。另一位曾经参与YOLO项目维护的大神Alexey Bochkovskiy接过了YOLO这面大旗，在arXiv上提交了YOLO v4，而且，这篇论文已经被拉入原来YOLO之父建立的项目主线。
论文链接：https://arxiv.org/abs/2004.10934
代码地址：https://github.com/AlexeyAB/darknet
YOLOv4的发布可以说是YOLO系列的集大成者，里面涉及了许多tricks的组合。YOLOv4主要是选取了许多features进行组合的形式来对数据集进行测试训练，从而来验证性能效果。
论文核心中的核心：作者将 Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN), Self-adversarial-training (SAT) and Mish-activation. 而且还使用了一些最近出来的新features：WRC, CSP, CmBN, SAT, Mish activation, Mosaic data augmentation, CmBN, DropBlock regularization, and CIoU loss。通过对这些features进行有效的组合得到了爆炸性的YOLOv4，可以吊打一切的YOLOv4.在MS-COCO数据上：43.5%@AP（65.7%@AP50）同时可以达到65fps@TeslaV100.
AP50:95 / AP50 - FPS (Tesla V100) Paper: https://arxiv.org/abs/2004.10934
YOLOv4论文中所用tricks如下：
用于backbone的BoF：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing
用于backbone的BoS：Mish激活函数，CSP，MiWRC
用于检测器的BoF：CIoU-loss，CmBN，DropBlock正则化，Mosaic数据增强，Self-Adversarial 训练，消除网格敏感性，对单个ground-truth使用多个anchor，Cosine annealing scheduler，最佳超参数，Random training shapes
用于检测器的Bos：Mish激活函数，SPP，SAM，PAN，DIoU-NMS
文中提供的预训练模型的权重和参数信息可见代码地址：
YOLO的组成部分
简而言之：YOLOv4 =CSPDarknet53+SPP+PAN+YOLOv3
YOLOv4-detector信息
提出了一种高效而强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 Ti GPU 训练超快速和准确的目标检测器。
在检测器训练期间，验证了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影响。
改进了SOTA的方法，使它们更有效，更适合单GPU训练，包括CBN [89]，PAN [49]，SAM [85]等。文章将目前主流的目标检测器框架进行拆分：input、backbone、neck 和 head 具体如下图所示：
各类检测器之间性能的比较
性能炸裂的YOLOv4结果展示
原文链接：
https://blog.csdn.net/mrjkzhangma/article/details/105730677
新勋章，新奖品，高流量，还有更多福利等你来拿
![Alexey 大神接棒，YOLOv4 重磅来袭！快来一睹论文真容吧！| 原力计划]()
☞华为海思超越高通，一季度国内占有率第一；苹果 iOS 13.5 优化 Face ID；Ruby 2.4 结束支持 | 极客头条
☞10 款值得珍藏的 Chrome 浏览器插件
☞当互联网码农遇见国企老同学
☞AI图像智能修复老照片，效果惊艳到我了
☞程序员内功修炼系列：10 张图解谈 Linux 物理内存和虚拟内存
☞当 DeFi 遇上 Rollup，将擦出怎样的火花？
