介绍
YOLOv4（You Only Look Once v4）是YOLO系列目标检测算法的又一个重要版本，它在2020年由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao提出。YOLOv4在保持实时性能的同时，进一步提升了检测精度，尤其是在小物体检测方面。以下是YOLOv4的主要特点和改进：
主要改进
- 增强的特征提取网络
- CSPDarknet53：YOLOv4采用了CSPDarknet53作为其主干网络。CSPNet（Cross Stage Partial Network）通过分隔梯度路径来减少计算量并提高学习效率，同时引入了残差结构以促进信息流动。这种设计不仅提高了模型的准确性，还减少了所需的训练时间。
- 强大的颈部设计
- SPP（Spatial Pyramid Pooling）：空间金字塔池化层被用于捕捉不同尺度的上下文信息。
- PANet（Path Aggregation Network）：路径聚合网络增强了特征融合，促进了低层次的空间信息与高层次的语义信息之间的交流，从而改善了多尺度目标检测的能力。
- 先进的激活函数和正则化技术
- Mish 激活函数：YOLOv4引入了Mish作为激活函数，相比ReLU，Mish可以提供更好的非线性映射能力，并有助于缓解梯度消失问题。
- CIoU Loss：为了更精确地调整边界框的位置，YOLOv4使用了CIoU损失函数，该函数综合考虑了IoU、中心点距离以及长宽比差异。
- 数据增强
- Mosaic Data Augmentation：YOLOv4引入了一种名为Mosaic的数据增强方法，这种方法将四张不同的图片拼接成一张大图进行训练，增加了样本多样性，有助于提高模型对复杂场景的理解。
- Self-Adversarial Training (SAT)：这是一种对抗性的自我训练机制，旨在使模型更加鲁棒，能够更好地应对测试时可能遇到的各种变化。
- Bag of Freebies 和 Bag of Specials
- Bag of Freebies：指的是那些可以在不增加推理成本的情况下提升模型性能的技术，如CutMix、MixUp等。
- Bag of Specials：包括了一系列专门用于优化检测任务的方法，比如上面提到的Mish激活函数、CIoU Loss等。
性能提升
YOLOv4在多个基准数据集上实现了优异的表现，特别是在COCO数据集上的平均精度（mAP）显著高于前代产品和其他竞争模型。此外，它仍然保持了极高的速度优势，能够在普通GPU上实现实时检测。
网络架构
- CSPDarknet53：作为主干网络，负责提取图像特征。
- SPP + PANet：构成"颈部"，加强特征融合和多尺度表示。
- YOLOv3 Head：最终输出预测结果的部分，保留了YOLOv3中有效的头部设计，但结合了上述改进点。
整体介绍
- 虽然作者换了，但精髓没变
- 如果CV界有劳模奖，一定非他莫属
- 整体看还是那个味，细还是他细
- 江湖传闻最高的武功：嫁衣神功
V4贡献
Bag of freebies（BOF）
Mosaic data augmentation
数据增强
Self-adversarial-training（SAT）
DropBlock
Label Smoothing
IOU损失
GIOU损失
DIOU损失
CIOU损失
DIOU-NMS
SOFT-NMS
Bag of specials（BOS）
SPPNet（Spatial Pyramid Pooling）
CSPNet（Cross Stage Partial Network）
CBAM
Spatial attention module
PAN（Path Aggregation Network）
Mish
Eliminate grid sensitivity
