YOLOv4论文中的trick笔记

         最近读了YOLO系列的论文，读到YOLOv4发现文中的很多trick 都不了解，在开始看YOLOv5代码前，先补充学习一下YOLOv4论文中的trick。

1.Bag of freebies

Bag of freebies：提高网络准确性鲁棒性的方法且仅增加训练成本，不增加网络的推理成本

数据增强

像素级的增强

包围盒的表示方式：

YOLO：[x_center, y_center, width, height]

PASCAL_VOC：[x_min, y_min, x_max, y_max]

COCO：[x_min, y_min, width, height]

调整图片的亮度，对比度，色度，饱和度和噪声 对图片进行翻转，旋转，随机缩放，裁剪 推荐使用albumentations库来增强，几乎都能完成这些常规的像素级增强，且bbox也随之改变

import albumentations as A
import cv2

transform = A.Compose([
    # 随机裁剪
		A.RandomCrop(width=450, height=450),
    # 水平翻转
		A.HorizontalFlip(p=0.5),

		#随机缩放
		A.RandomScale(scale_limit=0.1, interpolation=1, always_apply=False, p=0.5),
		# 高斯噪声
		A.GaussNoise (var_limit=(10.0, 50.0), mean=0, per_channel=True, always_apply=False, p=0.5),
		# 亮度，对比度，色度，饱和度
		A.ColorJitter (brightness=0.2, contrast=0.2, saturation=0.2, hue=0.2, always_apply=False, p=0.5)
], bbox_params=A.BboxParams(format='coco', min_area=1024, min_visibility=0.1, label_fields=['class_labels']))

image = cv2.imread("/path/to/image.jpg")
image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

bboxes = [
    [23, 74, 295, 388, 'dog', 'animal'],
    [377, 294, 252, 161, 'cat', 'animal'],