今年初 YOLO 之父Joseph Redmon宣佈推出CV界，引起軒然大波，大家紛紛猜測YOLO是否不會再出v4版，退出歷史舞臺。
今天，YOLOv4重磅發佈，作者爲俄羅斯開發者 Alexey Bochkovskiy 和兩位中國臺灣開發者 Chien-Yao Wang、Hong-Yuan Mark Liao。
YOLOv4 沒有理論創新，而是在原有YOLO目標檢測架構的基礎上增加了近年CNN改進的衆多技術，
從數據處理到網絡訓練再到損失函數，遵行“拿來主義”，加上漂亮的工程實踐，打造實現最佳速度與精度平衡的目標檢測新基準！
在MS COCO 數據集 實現 43.5% AP（平均精準度） (65.7% AP50 )， 速度也更快了，在Tesla V100 GPU上 ∼65 FPS！
FPS ：每秒幀率 Frame Per Second
AP：average precision 平均精準度
上圖爲YOLOv4與其他SOTA目標檢測算法的比較，在精度差不多的情況下YOLOv4比EfficientDet快兩倍，而相對於YOLOv3 AP和FPS 分別提升了10%和12%！
1.目標檢測模型架構
作者首先對現有目標檢測方法進行了總結，無論是one-stage 、two-stage 還是 anchor free 、anchor based，均包含 Input、Backbone 、Neck、Heads（Dense Prediction或者Sparse Prediction）四部分。
目前各部分的主流技術包括：
然後作者對現有目標檢測相關技術的進展做了總結，即大禮包“bag of freebies”和特價袋“Bag of specials”。
-
bag of freebies 大禮包 指那些能夠提高精度而不增加推斷時間的技術。比如數據增廣的方法圖像幾何變換、CutOut、grid mask等，網絡正則化的方法DropOut、DropBlock等，類別不平衡的處理方法、難例挖掘方法、損失函數的設計等。
-
bag of specials 特價貸 是指那些增加稍許推斷代價，但可以提高模型精度的方法，比如增大模型感受野的SPP、ASPP、RFB等，引入注意力機制Squeeze-and-Excitation (SE) 、Spatial Attention Module (SAM)等 ，特徵集成方法SFAM , ASFF , BiFPN等，改進的激活函數Swish、Mish等，或者是後處理方法如soft NMS、DIoU NMS等
02 YOLOv4方法介紹
架構選擇：
經過綜合考慮計算量和精度，作者最終選擇的架構是：CSPDarknet53 作爲 backbone, SPP 模塊用於增大感受野, PANet 用作 neck, 並仍沿襲 YOLOv3(anchor based) head。
最終 YOLOv4實用的技術：
YOLOv4包括
Backbone：CSPDarknet53 [81]
Neck：SPP [25]，PAN [49]
Head：YOLOv3 [63]
YOLO v4 使用:
主幹網絡的大禮包（BOF）：Cutmix和Mosaic數據增強，Dropblock正則化類標籤平滑
主幹網絡的特價袋（Bos）：誤操作跨階段部分連接（CSP）、多重剩餘連接（MIWRC）
探測器的免費包（BOF）：Clou lossCMBN，Dropblock正則化，馬賽克數據增強，自我對抗訓練，消除網格敏感度，使用多個錨用於單個地面真值，餘弦退火調度器[52]，最優超參數，隨機訓練形狀
探測器專用包（Bos）：誤激活PP塊、山姆塊、泛路徑聚合塊、DIOU-NMS
03 實驗結果
作者在MS COCO 數據集上進行了實驗，結果如下：
每一行分別代表不同的GPU計算結果：
-
在主流的SOTA目標檢測算法中，YOLOv4實現了最佳的速度和精度的平衡，
-
在精度差不多的情況下，YOLOv4的速度往往是最快的，
-
尤其在FPS超過30的實時算法中，YOLOv4是精度最高的。
因爲不同的算法公佈時可能在不同的GPU上進行測試，作者根據不同的GPU（Maxwell/Pascal/Volta）分別列出了YOLOv4與其他算法的更詳細的比較，即Table 8、9、10，幀率大於等於30的用藍底標出。
可見YOLOv4 在實時目標檢測算法中精度最高，實現了精度和速度的最佳平衡。
04 傳送門
論文地址：
https://arxiv.org/pdf/2004.10934v1.pdf
開源地址：
https://github.com/AlexeyAB/darknet
不僅有代碼、模型而且提供了詳細的訓練和測試方法。
（在OpenCV中文網公衆號後臺回覆“YOLOv4”，即可收到論文下載）
雖然YOLOv4在理論上沒有創新，但其引人注目的精度速度，承襲YOLO系列的簡單易上手的操作體驗，必將成爲實時目標檢測的口碑之作！
終於有人扛起了YOLO的大旗了！