Scaled-YOLOv4:ScalingCrossStagePartialNetwork论文链接：https://arxiv.org/abs/2011.08036一、ProblemStatementCSPNet

链接：https://arxiv.org/abs/2011.08036代码:https://github.com/WongKinYiu/ScaledYOLOv4本文的贡献：（1）针对小模型设计了一种强大的模型缩放方法，该方法可以系统地平衡浅层CNN的计算成本和存储带宽；（2）设计一个简单但有效的策略来缩放大型目标探测器；（3）分析所有模型缩放因子之间的关系，然后根据最有利的组划分进行模型缩放；（4

Scaled-Yolov4:可伸缩跨级部分网络Scaled-YOLOv41.Introduction2.Relatedwork2.1.Real-timeobjectdetection2.2.Modelscaling

论文pdf请在公众号【计算机视觉联盟】后台回复【20201118】获取摘要：我们证明了基于CSP方法的YOLOv4目标检测神经网络，可以上下缩放，适用于小型和大型网络，同时保持最佳的速度和精度。我们提出了一种网络缩放方法，它不仅可以修改网络的深度、宽度、分辨率，还可以修改网络的结构。YOLOv4large模型达到了最先进的结果：在TeslaV100上，MSCOCO数据集以15FPS的速度获得55.

OptimalSpeedandAccuracyofObjectDetection）翻译（已逐句校正，方便大家学习）论文下载：https://arxiv.org/pdf/2004.10934.pdf论文源码：GitHub-AlexeyAB/darknet:YOLOv4/Scaled-YOLOv4

DeepStream应用程序将深度神经网络和其他复杂的处理任务引入到流处理管道中，以实现对视频和其他传感器数据的近实时分析。从这些传感器中提取有意义的见解为提高运营效率和安全性创造了机会。例如，摄像头是当前使用最多的物联网传感器。在我们的家中，街道上，停车场，大型购物中心，仓库，工厂中都可以找到相机–无处不在。视频分析的潜在用途是巨大的：访问控制，防止丢失，自动结帐，监视，安全，自动检查（QA），

YOLOv7概念YOLOv7是基于YOLO系列的目标检测算法，由Ultra-Light-Fast-Detection（ULFD）和Scaled-YOLOv4两种算法结合而来。

设计过程如下：首先对yolov4进行重新设计，提出yolov4-CSP，然后基于yolov4-CSP开发了scaled-yolov4。主要贡献：-设计了一种针对小模型的强大的模型缩放

前言YOLOv4的原作团队，把YOLOv4升级到了Scaled-YOLOv4，用COCO数据集训练，最高能够实现55.5%AP。2021年的第二版Scale

YOLOv4-large在COCO上最高可达55.8AP！速度也高达15FPS！YOLOv4-tiny的模型实现了1774FPS！（在RTX2080Ti上测试）作者单位：YOLOv4原班人马（AlexeyAB等人）papers:公号后台回复SYOLO获取code：https://github.com/WongKinYiu/PyTorch_YOLOv41摘要我们展示了基于CSP方法的YOLOv4目标

Scaled-YOLOv4：扩展跨阶段局部网络注：文末附目标检测微信交流群Scaled-YOLOv4:ScalingCrossStagePartialNetwork作者单位：YOLOv4原班人马（Chien-YaoWang

但是，这激励我，后续会继续研究下PP-YOLO系列（PP-YOLO，PP-YOLOv2,PP-YOLOE）；Scaled-YOLOv4和Anchor-free的YOLOX。当

文章目录一、背景二、方法2.1CSP-izedYOLOv42.2YOLOv4-tiny2.3YOLOv4-large三、效果论文：Scaled-YOLOv4:ScalingCrossStagePartialNetwork

YOLOv4OptimalSpeedandAccuracyofObjectDetection论文下载：https://arxiv.org/pdf/2004.10934.pdf论文源码：GitHub-AlexeyAB/darknet:YOLOv4/Scaled-YOLOv4

AlexeyBochkovskiy和Hong-YuanMarkLiao推出的YoloV7,应该是目前开源的目标检测算法最好之一了，它在在5FPS到160FPS范围内的速度和精度达到了新的高度，优于YOLOR、YOLOX、Scaled-YOLOv4

尽管在算法设计上，该文并没有带来重要亮点，但从工程应用的角度讲，Scaled-YOLOv4还是不错的，尤其是YOLOv4-tiny，其设计不仅考虑到计算量和参数量还考虑到内存访问。

分享一篇今天新出的重要文章：Scaled-YOLOv4:ScalingCrossStagePartialNetwork，作者出自YOLOv4的原班人马，其聚焦于针对YOLOv4的模型缩放（modelscale

YOLOv4-large在COCO上最高可达55.8AP！速度也高达15FPS！YOLOv4-tiny的模型实现了1774FPS！（在RTX2080Ti上测试）作者单位：YOLOv4原班人马（AlexeyAB等人）papers:作者公号后台回复SYOLO获取code：https://github.com/WongKinYiu/PyTorch_YOLOv41摘要我们展示了基于CSP方法的YOLOv4

YOLOv4-large在COCO上最高可达55.8AP！速度也高达15FPS！YOLOv4-tiny的模型实现了1774FPS！（在RTX2080Ti上测试）作者单位：YOLOv4原班人马（AlexeyAB等人）papers:https://arxiv.org/abs/2011.08036code：https://github.com/WongKinYiu/PyTorch_YOLOv41摘要我们

参考链接：全文翻译【Scaled-YOLOv4:ScalingCrossStagePartialNetw】_聪明的小菠菜-CSDN博客论文阅读笔记之YOLOv4&scaledYOLOv4_流觞时光的博客

Scaled-YOLOv4:ScalingCrossStagePartialNetwork摘要1、介绍2、相关工作2.1实时物体检测2.2模型缩放3、模型缩放准则3.1模型缩放的基本准则3.2缩放低端设备的微型模型

YOLO系列目标检测算法目录YOLO系列目标检测算法总结对比YOLOv1YOLOv2YOLOv3YOLOv4Scaled-YOLOv4-文章链接YOLOv5-文章链接YOLOv6-文章链接YOLOv7-文章链接本文总结：提出一种网络缩放方法，使得基于CSP的YOLOv4可以上下伸缩，以适用于大型/小型网络；将CSP应用到各式CNN中，可以减少参数和计算量，提高准确性，减少推理时间，因此CSP化了B

Scaled-YOLOv4:ScalingCrossStagePartialNetwork论文翻译摘要1.介绍2.相关工作2.1实时检测器2.2模型缩放3.模型缩放的原则3.1模型缩放的常规原则3.2为低端设备缩放

Scaled-YOLOv4:ScalingCrossStagePartialNetwork原文：https://arxiv.org/pdf/2011.08036v1.pdf项目地址：https://github.com

AlexeyBochkovskiy&中国台湾中央研究院论文链接：https://arxiv.org/pdf/2004.10934.pdf代码链接：GitHub-AlexeyAB/darknet:YOLOv4/Scaled-YOLOv4

代码：https://github.com/ikuokuo/st...Scaled-YOLOv4代码:https://github.com/WongKinYiu...论文:https://arxiv.org/abs/2011.08036文章:https://alexeyab84.medium.com...环境准备基础环境Nvidia显卡的主机Ubuntu18.04系统安装，可见制作USB启动盘，及

代码：https://github.com/ikuokuo/st...Scaled-YOLOv4代码:https://github.com/WongKinYiu...论文:https://arxiv.org/abs/2011.08036文章:https://alexeyab84.medium.com...环境准备基础环境Nvidia显卡的主机Ubuntu18.04系统安装，可见制作USB启动盘，及

代码：https://github.com/ikuokuo/start-scaled-yolov4Scaled-YOLOv4代码:https://github.com/WongKinYiu/ScaledYOLOv4论文:https://arxiv.org/abs/2011.08036文章:https://alexeyab84.medium.com/scaled-yolo-v4-is-the-bes

编译|CV君报道|我爱计算机视觉（微信id:aicvml）分享一篇今天新出的重要文章：Scaled-YOLOv4:ScalingCrossStagePartialNetwork，作者出自YOLOv4的原班人马

编译|CV君报道|我爱计算机视觉（微信id:aicvml）分享一篇今天新出的重要文章：Scaled-YOLOv4:ScalingCrossStagePartialNetwork，作者出自YOLOv4的原班人马

作者：RangiLyu编译：CV君前几日YOLO-tiny（上达最高精度，下到最快速度，Scaled-YOLOv4：模型缩放显神威）的出现给移动端开发的朋友一个新选择，昨天Github又新上一不得不关注的项目