YOLO系列目标检测算法-YOLOv4

YOLO系列目标检测算法目录

1. YOLO系列目标检测算法总结对比
2. YOLOv1
3. YOLOv2
4. YOLOv3
5. YOLOv4- 文章链接
6. Scaled-YOLOv4- 文章链接
7. YOLOv5- 文章链接
8. YOLOv6- 文章链接
9. YOLOv7- 文章链接

---

本文总结：

1. 为提高神经网络准确率，迄今为止有很多的方法和技巧，本文挑选其中的一些方法并结合起来，实现了最佳的性能。
2. 现阶段的目标检测器主要有两部分组成，backbone和head，近年来，通常在backbone和head之间插入一些层，用于收集不同阶段的特征图，本文称之为Neck。
3. 将只改变训练策略或只增加训练成本，而不增加推理成本的方法称为“bag of freebies”(BoF)。
4. 将那些只会少量增加推理成本，但能显著提高目标检测精度的模块和后处理方法，称之为“bag of specoals”(BoS)。
5. BoF中包含的方法有数据增强、正则化函数、标签细化网络、框回归函数等。
6. BoS中包含的方法有增强感受野、注意力模块、特征集成、激活函数、后处理等。
7. 通过对比多种方法和技巧，YOLOv4最终选用CSPDarknet53作为backbone，选用SPP+PAN作为Neck，选用YOLOv3-head作为Head。
8. 从BoF中挑选保留的方法有，用于Backbone的CutMix、Mosaic数据增强、DropBlock正则化、Class label smoothing；用于检测器中的CIoU-loss、CmBN、DropBlock正则化、Mosaic数据增强、Self-Adversarial Training、Eliminate grid sensitivity、一个GT使用多个anchors、Cosine annealing scheduler、超参数调优、随机训练图片大小。
9. 从BoS中挑选保留的方法有，用于Backbone的Mish激活函数、Cross-stage partial connections (CSP)、Multiinput weighted residual connections (MiWRC)；用于检测器的Mish激活函数、SPP-block、SAM-block、PAN path-aggregation block、DIoU-NMS。

---

深度学习知识点总结

专栏链接:
https://blog.csdn.net/qq_39707285/article/details/124005405
此专栏主要总结深度学习中的知识点，从各大数据集比赛开始，介绍历年冠军算法；同时总结深度学习中重要的知识点，包括损失函数、优化器、各种经典算法、各种算法的优化策略Bag of Freebies (BoF)等。

---

---

5. YOLO系列目标检测算法-YOLOv4

5.1 简介

5.2 Bag of freebies

5.3 Bag of specoals

5.4 YOLOv4方法集合

5.4.1 网络结构选择

5.4.2 BoF和BoS选择

5.4.3 额外的提升策略

5.5 YOLOv4