文章來(lái)源于CVer，作者Amusi

前言

今天刷屏的動(dòng)態(tài)一定是 YOLOv4！

本文 Amusi 會(huì)跟大家說(shuō)一下在別處看不到內(nèi)容（大神接棒），歡迎繼續(xù)閱讀！

之前，YOLO系列(v1-v3)作者 Joe Redmon 宣布不再繼續(xù)CV方向的研究，引起學(xué)術(shù)圈一篇嘩然。YOLO之父宣布退出CV界，坦言無(wú)法忽視自己工作帶來(lái)的負(fù)面影響

推文鏈接：https://twitter.com/jeremyphoward/status/1230610470991589376

Amusi 特意去谷歌學(xué)術(shù)上搜索了一下YOLOv1-v3的引用量，累計(jì)破16000+！

大神接棒，YOLOv4來(lái)了！

當(dāng)大家以為再也見不到Y(jié)OLOv4的時(shí)候，然鵝今天 YOLOv4 來(lái)了！

YOLOv4的作者陣容里并沒有Joe Redmon，也驗(yàn)證了大神曾說(shuō)不再繼續(xù)CV研究的這條消息。但都木有YOLO之父Joe Redmon的論文，其名字為什么還敢叫YOLOv4呢，不怕被噴么？

這里Amusi 花點(diǎn)時(shí)間跟大家介紹一下這個(gè)有趣的事情。

先說(shuō)說(shuō)：大神接棒的事情

停更兩年之久的的YOLO github官網(wǎng)正式更新 README，那么更新了什么呢？接著往下看

YOLO官網(wǎng)：https://github.com/pjreddie/darknet

YOLO官方github正式加入YOLOv4的論文和代碼鏈接，也意味著YOLOv4得到了Joe Redmon的認(rèn)可，也代表著YOLO的停更與交棒。

關(guān)于YOLOv4，Amusi 曾寫過這樣一篇文章來(lái)預(yù)宣傳（現(xiàn)在想想，應(yīng)該是全網(wǎng)第一個(gè)這樣介紹的）：等待YOLOv4的期間，它還在更新

YOLOv4的一作是 Alexey Bochkovskiy，用過YOLO的同學(xué)，特別是用過Windows版YOLO的同學(xué)對(duì)這個(gè)名字一定很熟悉！

因?yàn)樗褪莇arknet另一個(gè)github版本的維護(hù)者，也就是YOLOv4的代碼庫(kù)：

https://github.com/AlexeyAB/darknet

據(jù)Amusi 猜測(cè)推斷，Alexey Bochkovskiy 是一名獨(dú)立研究員，這里更愿意稱為之YOLO接棒者，YOLO社區(qū)推動(dòng)者。這里對(duì)Alexey不過多贅述，想了解的同學(xué)可以看一下：等待YOLOv4的期間，它還在更新

值得一提的是，這個(gè)版本的darknet的提交數(shù)已經(jīng)來(lái)到 1777 次。試想一下，你一天提交一次更新，那么就需要你連續(xù)近5年不停更！

我們一般只會(huì)用兩個(gè)字來(lái)形容這種人：碼怪！

YOLOv4 正文

YOLOv4: Optimal Speed and Accuracy of Object Detection

論文：https://arxiv.org/abs/2004.10934

代碼：https://github.com/AlexeyAB/darknet

大家一定被文章開頭的圖片吸引了，位于圖中靠右上角的YOLOv4 多么"亮眼"，越靠右上角意味著AP越高、速度FPS越快！而且YOLO被大家追捧的原因之一就是：快而準(zhǔn)。

YOLOv4 在COCO上，可達(dá)43.5％ AP，速度高達(dá) 65 FPS！

YOLOv4的特點(diǎn)是集大成者，俗稱堆料。但最終達(dá)到這么高的性能，一定是不斷嘗試、不斷堆料、不斷調(diào)參的結(jié)果，給作者點(diǎn)贊。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

本文的主要貢獻(xiàn)如下：

1. 提出了一種高效而強(qiáng)大的目標(biāo)檢測(cè)模型。它使每個(gè)人都可以使用1080 Ti或2080 Ti GPU 訓(xùn)練超快速和準(zhǔn)確的目標(biāo)檢測(cè)器（牛逼！）。

2. 在檢測(cè)器訓(xùn)練期間，驗(yàn)證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。

3. 改進(jìn)了SOTA的方法，使它們更有效，更適合單GPU訓(xùn)練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標(biāo)檢測(cè)器框架進(jìn)行拆分：input、backbone、neck 和 head 具體如下圖所示：

• 對(duì)于GPU，作者在卷積層中使用：CSPResNeXt50 / CSPDarknet53
  

• 對(duì)于VPU，作者使用分組卷積，但避免使用（SE）塊-具體來(lái)說(shuō)，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目標(biāo)是在輸入網(wǎng)絡(luò)分辨率，卷積層數(shù)，參數(shù)數(shù)量和層輸出（filters）的數(shù)量之間找到最佳平衡。文中稱：CSPDarknet53在檢測(cè)上的表現(xiàn)要優(yōu)于CSPResNext50，關(guān)于CSP，不了解的同學(xué)可以看一下這篇文章：

增強(qiáng)CNN學(xué)習(xí)能力的Backbone:CSPNet

總結(jié)一下YOLOv4框架：

• Backbone：CSPDarknet53

• Neck：SPP，PAN

• Head：YOLOv3
  

YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3

其中YOLOv4用到相當(dāng)多的技巧：

• 用于backbone的BoF：CutMix和Mosaic數(shù)據(jù)增強(qiáng)，DropBlock正則化，Class label smoothing

• 用于backbone的BoS：Mish激活函數(shù)，CSP，MiWRC

• 用于檢測(cè)器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic數(shù)據(jù)增強(qiáng)，Self-Adversarial 訓(xùn)練，消除網(wǎng)格敏感性，對(duì)單個(gè)ground-truth使用多個(gè)anchor，Cosine annealing scheduler，最佳超參數(shù)，Random training shapes

• 用于檢測(cè)器的Bos：Mish激活函數(shù)，SPP，SAM，PAN，DIoU-NMS

看看YOLOv4部分組件：

感受一下YOLOv4實(shí)驗(yàn)的充分性（調(diào)參的藝術(shù)）

感受一下性能炸裂的YOLOv4實(shí)驗(yàn)結(jié)果

論文篇幅很長(zhǎng)，高達(dá)17頁(yè)，干貨滿滿！推薦大家閱讀原文和源碼進(jìn)行深入理解。

跟我一起喊：大神接棒，YOLOv4 來(lái)了！

論文下載

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)在線手冊(cè)AI基礎(chǔ)下載（pdf更新到25集）本站qq群1003271085，加入微信群請(qǐng)回復(fù)“加群”獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開：https://t.zsxq.com/yFQV7am喜歡文章，點(diǎn)個(gè)在看

總結(jié)

以上是生活随笔為你收集整理的大神接棒，YOLOv4来了！的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。