yolov4方法详细介绍---看这一篇就够了！

最开始入坑深度学习的时候是从yolov5版本开始，虽然会使用，但是不能理解作者为什么要使用这些方法，对底层源码和结构并不了解，所以又从头开始把v1-v4每个版本的论文和源码都详细阅读一遍，最后总结一下v4的方法吧，这个版本几乎把当年所有优秀顶会的论文方法都容纳进来了，像SAM注意力机制和sppnet等方法，非常建议大家把这篇论文认真阅读一下，后期会总结v7,v8的源码和论文讲解，v6建议大家直接跳过，和v5内容很相似，看v5就足够了；

【yolov1：背景介绍与算法精讲】
【yolo9000：Better, Faster, Stronger的目标检测网络】
【YOLOv3：算法与论文详细解读】

1、整体概述

• 虽然作者换了，但是运用到前3个版本的精髓
• 细节上的改进，并没有大的改动
• 将别人好的内容都添加进来

2、贡献解读

• 比较亲民，不需要很高的设备，单GPU就能训练很好
• 两大核心方法，从数据层面和网络设计层面
• 消融实验，融合2020年所有好的方法
• 全部实验单GPU就能完成

3、数据增强策略

1、Bag of freebies(BOF)

1. 只增加训练成本，但是能显著提高精度，并不影响推理速度
2. 数据增强:调整亮度、对比度、色调、随机缩放、剪切、翻转、旋转
3. 网络正则化的方法: Dropout、Dropblock等
4. 类别不平衡，损失函数设计

数据增强

（1）mosaic data augmentation

方法很简单，参考CutMix论文方法，然后将四张图像拼接成一张进行训练，也就是分别对4张图片作旋转、色调等数据增强操作，最后拼接到一张图片，间接的增加了batch_size。

mixup是将两张图片透明50%叠加
cuout将图片去掉某一块内容

（2）random Erase

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/IT小白/article/detail/874905?site