【目标检测-YOLO】YOLO v4 总结（第四篇）

1. YOLO v4 架构总结

YOLO	Input	Backbone	Neck	Head	置信度Loss	坐标回归Loss	分类Loss
v1	448*448	GoogleNet		FC*2	MSE
v2	32x	DarkNet-19	Passthrough	Conv	MSE
v3	32x	DarkNet-53	FPN	Conv	BCE	(x,y) BCE (w,h) MSE	BCE
v4	32x	CSPDarkNet-53	SPP PAN	同v3	BCE	CIOU	BCE

2. YOLOv4 损失函数

正负样本划分

在YOLOv3中，每一个标注框都只有一个正样本。

YOLO v3 正负样本分配参考： YOLOv3总结_分享让人快乐-CSDN博客

YOLOv4 采用了Multi Anchor策略，即只要中心点处的anchor box与目标框的IoU超过了给定阈值，那就作为正样本，其他未负样本，这里不再有忽略样本的概念。那些原本在YOLOv3中会被忽略掉的样本，在YOLOv4中则成为了正样本。YOLOv4的正样本会略微多于YOLOv3，对性能的提升也自然会有一些帮助。

YOLO v5 又不同了：把周围3×3邻域里的anchor box全给考虑进来。待填坑...

参考：YOLOv4网络结构详解_霹雳吧啦Wz-CSDN博客_yolov4

负样本置信度损失和v3一样

正样本

置信度损失

分类损失

坐标损失：定位损失采用的是CIoU损失

参考：YOLO v4 更多细节（第三篇）_分享让人快乐-CSDN博客

综上，总的损失为：

3. 思考

4. 推理

5. YOLO v4的优缺点

参考