YOLO算法最全综述：从YOLOv1到YOLOv5( 七 ) 作者：初识cv

仍采用之前的logis ，其中cx,cy是网格的坐标偏移量,pw,ph是预设的anchor box的边长.最终得到的边框坐标值是b*,而网络学习目标是t* ，用sigmod函数、指数转换。
YOLOv4YOLOv4: Optimal Speed and Accuracy of Object Detection
论文：
代码：
YOLOv4！
文章插图
YOLOv4 在COCO上，可达43.5％ AP ，速度高达 65 FPS！
YOLOv4的特点是集大成者，俗称堆料。但最终达到这么高的性能，一定是不断尝试、不断堆料、不断调参的结果，给作者点赞。下面看看堆了哪些料：

Weighted-Residual-Connections (WRC)
Cross-Stage-Partial-connections (CSP)
Cross mini-Batch Normalization (CmBN)
Self-adversarial-training (SAT)
Mish-activation
Mosaic data augmentation
CmBN
DropBlock regularization
CIoU loss

本文的主要贡献如下：
1. 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（牛逼！）。
2. 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。
3. 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：

文章插图

对于GPU ，作者在卷积层中使用：CSPResNeXt50 / CSPDarknet53
对于VPU ，作者使用分组卷积，但避免使用（SE）块-具体来说，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目标是在输入网络分辨率，卷积层数，参数数量和层输出（filters）的数量之间找到最佳平衡。
总结一下YOLOv4框架：

Backbone：CSPDarknet53
Neck：SPP ， PAN
Head：YOLOv3

YOLOv4 =CSPDarknet53+SPP+PAN+YOLOv3
其中YOLOv4用到相当多的技巧：

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

看看YOLOv4部分组件：