作者| Amusi
编辑 | 丛 末
今天刷屏的动态一定是 YOLOv4！
本文 Amusi 会跟大家说一下在别处看不到内容（大神接棒），欢迎继续阅读！
之前，YOLO系列(v1-v3)作者 Joe Redmon 宣布不再继续CV方向的研究，引起学术圈一篇哗然。：
推文链接：https://twitter.com/jeremyphoward/status/
Amusi 特意去谷歌学术上搜索了一下YOLOv1-v3的引用量，累计破16000+！
1
大神接棒，YOLOv4来了！
当大家以为再也见不到YOLOv4的时候，然鹅今天YOLOv4来了！
YOLOv4的作者阵容里并没有Joe Redmon，也验证了大神曾说不再继续CV研究的这条消息。但都木有YOLO之父Joe Redmon的论文，其名字为什么还敢叫YOLOv4呢，不怕被喷么？
这里Amusi 花点时间跟大家介绍一下这个有趣的事情。
先说说：大神接棒的事情
停更两年之久的的YOLO github官网正式更新 README，那么更新了什么呢？接着往下看
YOLO官网：https://github.com/pjreddie/darknet
YOLO官方github正式加入YOLOv4的论文和代码链接，也意味着YOLOv4得到了Joe Redmon的认可，也代表着YOLO的停更与交棒。
关于YOLOv4，Amusi 曾写过这样一篇文章来预宣传（现在想想，应该是全网第一个这样介绍的）：
YOLOv4的一作是 Alexey Bochkovskiy，用过YOLO的同学，特别是用过Windows版YOLO的同学对这个名字一定很熟悉！
https://github.com/AlexeyAB/darknet
据Amusi 猜测推断，Alexey Bochkovskiy 是一名独立研究员，这里更愿意称为之YOLO接棒者，YOLO社区推动者。这里对Alexey不过多赘述，想了解的同学可以看一下：。
值得一提的是，这个版本的darknet的提交数已经来到 1777 次。试想一下，你一天提交一次更新，那么就需要你连续近5年不停更！
我们一般只会用两个字来形容这种人：码怪！
2
YOLOv4 正文
代码：https://github.com/AlexeyAB/darknet
大家一定被文章开头的图片吸引了，位于图中靠右上角的YOLOv4 多么"亮眼"，越靠右上角意味着AP越高、速度FPS越快！而且YOLO被大家追捧的原因之一就是：快而准。
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：
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。文中称：CSPDarknet53在检测上的表现要优于CSPResNext50，关于CSP，不了解的同学可以看一下这篇文章：
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：
感受一下YOLOv4实验的充分性（调参的艺术）
感受一下性能炸裂的YOLOv4实验结果
论文篇幅很长，高达17页，干货满满！推荐大家阅读原文和源码进行深入理解。
跟我一起喊：大神接棒，YOLOv4 来了！
AI 科技评论系列直播
1、ACL 2020 - 复旦大学系列解读
直播主题：不同粒度的抽取式文本摘要系统
主讲人：王丹青、钟鸣
直播时间：4月 25 日，（周一晚） 20：00整。
直播主题：结合词典的中文命名实体识别【ACL 2020 - 复旦大学系列解读之（二）】
主讲人：马若恬, 李孝男
直播时间：4月 26 日，（周一晚） 20：00整。
直播主题：ACL 2020 | 基于对抗样本的依存句法模型鲁棒性分析
【ACL 2020 - 复旦大学系列解读之（三）】
主讲人：曾捷航
直播时间：4月 27 日，（周一晚） 20：00整。
2、ICLR 2020 系列直播
直播主题：ICLR 2020丨Action Semantics Network: Considering the Effects of Actions in Multiagent Systems
主讲人：王维埙
回放链接：http://mooc.yanxishe.com/open/course/793
直播主题：ICLR 2020丨通过负采样从专家数据中学习自我纠正的策略和价值函数
主讲人：罗雨屏
回放链接：http://mooc.yanxishe.com/open/course/802（回放时间：4月25日上午10点）
直播主题：ICLR 2020丨分段线性激活函数塑造了神经网络损失曲面
主讲人：何凤翔
直播时间：4月24日 （周五晚） 20:00整
到此这篇yolov3spp原文（yolov3介绍）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/bcyy/73082.html