比较YOLOv4和其他最先进的目标检测。YOLOv4的运行速度是EfficientSet的两倍，性能相当。YOLOv3的AP和FPS分别提高10%和12%

摘要：据说有大量的特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。某些功能只在某些模型上运行，或只针对某些问题运行，或只针对小规模数据集运行；而一些特性，如批处理规范化和残差连接，则适用于大多数模型、任务和数据集。我们假设这些通用特征包括加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量标准化（CmBN）、自我对抗训练（SAT）和Mish激活。我们使用了新功能：WRC、CSP、CmBN、SAT、Mish激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU损失，并将其中一些功能结合起来，以实现最先进的结果：MS COCO数据集的43.5%AP（65.7%AP50），实时速度为∼特斯拉V100上的每秒65帧。

目标检测器由以上几个部分组成：数据输入、主干网络、颈部网络、头部（稠密预测：一阶段处理网络；稀疏预测：二阶段处理网络）

对于分类来说是最优的参考模型，对于检测器来说并不总是最优的。与分类器相比，检测器需要以下各项：

•更高的输入网络尺寸（分辨率）-用于检测多个小尺寸对象

•更多层次–更高的感受野，覆盖更大的输入网络

•更多参数–使模型能够在一张图像中检测多个不同大小的对象

不同大小的感受野的影响总结如下：

•增大目标大小-允许查看整个目标

•增大网络大小-允许查看周围的上下文对象

•超过网络规模-增加图像点和最终激活之间的连接数量

为了改进目标检测训练，CNN通常使用以下方法：

•激活：ReLU、leaky-ReLU、参数ReLU、ReLU6、SELU、Swish或Mish

•边界框回归损失：MSE、IoU、GIoU

•数据扩充：剪切、混合、剪切混合

•正则化方法：DropOut、DropPath、Spatial DropOut、 DropBlock

•网络激活的均值和方差标准化：批次标准化（BN）、跨GPU批处理规范化（CGBN或SyncBN）、滤波器响应标准化（FRN）、交叉迭代批量标准化（CBN）

•跳过连接：残差连接，加权残差连接，多输入加权残差连接或跨阶段部分连接（CSP）

为了使设计的探测器更适合在单个GPU上训练，我们进行了如下额外的设计和改进：

•我们介绍了一种新的数据增强马赛克和自我对抗训练（SAT）方法

•我们在应用遗传算法时选择最佳超参数

•我们修改了一些现有方法，使我们的设计适用于有效的训练和检测-修改SAM、修改的PAN和交叉小批量标准化（CmBN）

定义跨小批量标准化（CmBN）。这仅在单个批次内的小批次之间收集统计信息。

YOLOv4包括：

•主干网络：CSPDarknet53

•颈部网络：SPP，PAN

•头部网络：YOLOv3

YOLO v4使用：

•主干网中的BoF：CutMix和马赛克数据增强、DropBlock正则化、类标签平滑

•主干网中的BoS：Mish激活、跨阶段部分连接（CSP）、多输入加权残差连接（MiWRC）

•检测器的BoF：CIoU损失、CmBN、DropBlock正则化、马赛克数据增强、自我对抗训练、消除网格灵敏度，对单个真值使用多个anchor，余弦退火调度器，最优超参数，随机训练形状。

•检测器的BoS：Mish激活，SPP块、SAM块、PAN路径聚合块、DIoU NMS。

我们将SAM从空间注意修改为点注意力，并将PAN的shortcut连接替换为串联连接，分别如图5和图6所示。

实验结果：不同目标检测器的速度和精度对比

微信公众号：

下载对应的论文，在公众号中回复:paper