【摘记】YOLO V4_综合

【说在最前面的话】

YOLO V4 整合了 Weighted-Residual-Connections(WRC)， Cross-Stage-Partial-connections(CSP)，Cross mini-Batch Normalization(CmBN)，Self-adversarial-training(SAT)，Mish-activation， Mosaic data augmentation， DropBlock，CIoU 满满的都是硬核操作 $∣ ∣ o (? ° ▽ ° ?) o ∣ Ю$

Contribution

该文的贡献主要有以下几点：

设计了一种快速而强有力的目标检测器，它使得任何人仅需一个 1080Ti 或者 2080Ti 即可训练这样超快且精确的目标检测器
We verify the influence of SOTA bag-of-freebies and bag-of-specials methods of object detection during detector training
作者对一些 SOTA 方法进行了改进（含CBN、PAN，SAM）以使其更适合单GPU训练

网络结构

对于目标检测来说，在确定了 backbone 之后，需要做的就是加入额外的模块以提升感受野、更好的汇聚特征等等。所以，第一步，选择一个好的网络结构，对于目标检测器来说是十分关键。

好的检测模型需要以下几点特性：

更高的输入分辨率，为了更好的检测小目标
更多的卷积层，为了具有更大的感受野
更多的参数，更复杂的模型能够同时检测不同大小的目标

简单来说就是，需要选择具有更大感受野、更多参数的模型作为 backbone

而从下面的表格中可以看出，把 CSPDarkNet53 作为 YOLO V4 的 backbone 是一个不错的选择。
在这里插入图片描述

按照上面说的，选好了 backbone，接下来的工作就是添加一些辅助的模块。在CSPDarkNet53 的基础上，作者添加了 SPP 模块，因其可以提升模型的感受野、分离更重要的上下文信息，同时还不会导致模型推理速度的下降。此外，作者还采用 PANet 中的不同backbone 级的参数汇聚方法替代 FPN

最终，

YOLOv4 = CSPDarkNet53 + SPP + path-aggregation neck (PANet) + YOLOv3-head

Some tricks

为更好的训练目标检测模型，CNN 模型通常具有以下模块：

Activations：ReLU、Leaky-ReLU、PReLU、ReLU6、SELU、Swish or Mish
Bounding box regression Loss：MSE、IoU、GIoU、CIoU、DIoU
Data Augmentation：CutOut、MixUp、CutMix
Regularization：DropOut、DropPath、Spatial DropOut、DropBlock
Normalization：BN、SyncBn、FRN、CBN
Skip-connections： Residual connections, weighted residual connections, Cross stage partial connections

作者从上述模块中做出了如下的选择：激活函数方面选择 Mish；正则化方面选择 DropBlock；由于聚焦在单 GPU，故而未考虑 SyncBN

其他的改进策略

为使得 YOLOv4 更适合于单 GPU，作者还进行了其他几项额外设计与改进：

引入一种新的数据增广方法：Mosaic 与自对抗训练
通过GA算法选择最优超参数
对现有方法进行改进以更适合高效训练和推理：改进SAM、改进PAN，CmBN

在这里插入图片描述