YoloV4模型解析及TensorRT加速

一. Yolo演化史

Faster RCNN诞生以后，目标检测准确度得到保证，但是two-stage的方式存在天然的效率缺陷，SSD和Yolo填补了这一空白，Yolo一共经历了4个版本。

模型	数据增强/训练	Backbone	网络特征层	性能对比	备注
Yolo v1		Lenet - maxPooling	每个点支持2个box
Yolo v2	-随机裁剪、旋转 -色调、饱和度、曝光偏移 -混合训练集策略（coco + imagenet） -多尺度训练 -对Anchor Box维度聚类	Darknet19 -增加BN层、去dropout  - 去掉FC层 - AvrgPooling	-增加Anchor，支持K个box	19.7 mAP	【参考】
Yolo v3		Darknet53 - No Pooling - No全链接 - BN+LeakyRelu - 残差设计	-FPN，多个layer融合 -softmax->logistic	31.0 mAP
Yolo v4	新的数据增强方法 -Cutout -MixUp -CutMix	CSPDarknet53	-新的激活 Swish, or Mish -DropBlock正则化 -SPP+PAN特征增强	43 mAP	Backbone: CSPDarknet53 Neck: SPP, PAN Head: YOLOv3

• Yolov1网络结构图（24个卷积层，2个全链接层）：

• Yolov2网络结构图：

• Yolov3网络结构图：

二. Yolov4的核心特征

整体下来，以工程为主，