COCO数据集AP被刷到了55.4%（FPS=15），核心是在YOLOV4上研究模型缩放（model scaling）技术。尽管在算法设计上，该文并没有带来重要亮点，但从工程应用的角度讲， Scaled-YOLOv4 还是不错的，尤其是 YOLOv4-tiny，其设计不仅考虑到计算量和参数量还考虑到内存访问。

Abstract

我们证明了使用CSP方法的YOLOv4目标检测网络在向下或者向上缩放时可以保持最优的速度和精度。我们提出了一种模型缩放方法，它不止是可以修改模型的深度、宽度、分辨率，也可以修改模型的结构。YOLOv4- large把coco刷到了55.4%（FPS=15，Tesla V100）

1. Introduction

模型缩放（model scaling ）技术是非常重要的，因为它可以使得目标检测器在不同设备上实现较高的检测精度和推理速度。常用的model scaling technique主要有改变模型backbone的深度（卷积层数）和宽度（卷积核个数），这需要针对不同情况单独训练。比如ResNet网络，在算力低时我们用Resnet-18，算力高时可以用Resnet-152。

C