视觉与图形学封神的论文-YOLOv4优化目标检测的精度和速度

【经典论文解读】YOLOv4 目标检测 前言 YOLO是一种目标检测方法,它的输入是整张图片,输出是n个物体的检测信息,可以识别出图中的物体的类别和位置。YOLOv4是在YOLOv3算法的基础上增加了很多实用的技巧,使得它的速度与精度都得到了极大的提升。 YOLOv4版本设计思路如下: 输入端:在模型训练阶段,使用了Mosaic数据增强、cmBN跨小批量标准化、SAT自对抗训练; BackBone层:也称主干网络,使用CSPDarknet53网络提取特征;同时使用Mish激活函数、Dropblock正则化;CSP 跨阶段部分连接。 N. 阅读详情

图片

比较YOLOv4和其他最先进的目标检测。YOLOv4的运行速度是EfficientSet的两倍,性能相当。YOLOv3的AP和FPS分别提高10%和12%

摘要:据说有大量的特征可以提高卷积神经网络(CNN)的准确性。需要在大型数据集上对这些特征的组合进行实际测试,并对结果进行理论证明。某些功能只在某些模型上运行,或只针对某些问题运行,或只针对小规模数据集运行;而一些特性,如批处理规范化和残差连接,则适用于大多数模型、任务和数据集。我们假设这些通用特征包括加权残差连接(WRC)、跨阶段部分连接(CSP)、跨小批量标准化(CmBN)、自我对抗训练(SAT)和Mish激活。我们使用了新功能:WRC、CSP、CmBN、SAT、Mish激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU损失,并将其中一些功能结合起来,以实现最先进的结果:MS COCO数据集的43.5%AP(65.7%AP50),实时速度为∼特斯拉V100上的每秒65帧。

图片

目标检测器由以上几个部分组成:数据输入、主干网络、颈部网络、头部(稠密预测:一阶段处理网络;稀疏预测:二阶段处理网络)

对于分类来说是最优的参考模型,对于检测器来说并不总是最优的。与分类器相比,检测器需要以下各项:

•更高的输入网络尺寸(分辨率)-用于检测多个小尺寸对象

•更多层次–更高的感受野,覆盖更大的输入网络

•更多参数–使模型能够在一张图像中检测多个不同大小的对象

不同大小的感受野的影响总结如下:

•增大目标大小-允许查看整个目标

•增大网络大小-允许查看周围的上下文对象

•超过网络规模-增加图像点和最终激活之间的连接数量

为了改进目标检测训练,CNN通常使用以下方法:

•激活:ReLU、leaky-ReLU、参数ReLU、ReLU6、SELU、Swish或Mish

•边界框回归损失:MSE、IoU、GIoU

•数据扩充:剪切、混合、剪切混合

•正则化方法:DropOut、DropPath、Spatial DropOut、 DropBlock

•网络激活的均值和方差标准化:批次标准化(BN)、跨GPU批处理规范化(CGBN或SyncBN)、滤波器响应标准化(FRN)、交叉迭代批量标准化(CBN)

•跳过连接:残差连接,加权残差连接,多输入加权残差连接或跨阶段部分连接(CSP)

为了使设计的探测器更适合在单个GPU上训练,我们进行了如下额外的设计和改进:

•我们介绍了一种新的数据增强马赛克和自我对抗训练(SAT)方法

•我们在应用遗传算法时选择最佳超参数

•我们修改了一些现有方法,使我们的设计适用于有效的训练和检测-修改SAM、修改的PAN和交叉小批量标准化(CmBN)

图片

定义跨小批量标准化(CmBN)。这仅在单个批次内的小批次之间收集统计信息。

YOLOv4包括:

•主干网络:CSPDarknet53

•颈部网络:SPP,PAN

•头部网络:YOLOv3

YOLO v4使用:

•主干网中的BoF:CutMix和马赛克数据增强、DropBlock正则化、类标签平滑

•主干网中的BoS:Mish激活、跨阶段部分连接(CSP)、多输入加权残差连接(MiWRC)

•检测器的BoF:CIoU损失、CmBN、DropBlock正则化、马赛克数据增强、自我对抗训练、消除网格灵敏度,对单个真值使用多个anchor,余弦退火调度器,最优超参数,随机训练形状。

•检测器的BoS:Mish激活,SPP块、SAM块、PAN路径聚合块、DIoU NMS。

图片

我们将SAM从空间注意修改为点注意力,并将PAN的shortcut连接替换为串联连接,分别如图5和图6所示。

实验结果:不同目标检测器的速度和精度对比

图片

图片

微信公众号:

图片

下载对应的论文,在公众号中回复:paper

Codesys 3.5报警功能配置保姆级教程:从变量定义到确认方式(含REF/ACK详解) 本文详细介绍了Codesys 3.5报警功能的配置流程,从变量定义到确认方式的选择,特别解析了REF和ACK两种确认方式的底层逻辑。通过实战案例和代码示例,帮助工程师快速掌握报警系统的搭建与调试技巧,提升工业自动化项目的可靠性。 阅读详情

相关推荐

淘晶驰串口屏自定义协议实战:5分钟搞定苹果时钟通信(附完整代码)

本文详细介绍了如何使用淘晶驰串口屏自定义通信协议快速实现苹果风格时钟的通信功能。通过精简的协议设计和完整的代码示例,开发者可以在5分钟内完成从硬件连接到软件实现的整个过程,适用于嵌入式开发中的高效通信需求。

weixin_29184371的博客 323

YOLO系列论文精度 & YOLOv2 and YOLO9000

论文关键词总结:DarkNet、YOLO9000、YOLOv2、Word Tree、K-Means、多尺度训练、联合训练、passthrough layer、细粒度的特征、预选 Bester Anchor Boxes。所有的代码和预训练的模型都可以在线获得:YOLO: Real-Time Object Detection我们引入YOLO9000,这是一个最先进的实时物体检测系统,可以检测超过9000个物体类别。首先,我们对YOLO检测方法提出了各种改进,既有新颖的,也有借鉴前人工作的。...

Flying Bulldog 的博客 1898

门控时钟(clock gating)的DFT设计

在数字IC芯片中,时钟树的功耗占比可能高达30%,因此一般会采取门控时钟的方式来降低该部分的功耗。所谓门控时钟,就是在芯片实际工作过程中,有些信号或者功能并不需要一直开启,那么就可以在它们不用的时候将其时钟信号关闭。这样一来信号不再翻转,从而能够有效减少动态功耗。 目前门控时钟都采用集成门控时钟单元(ICG,integrated clock gating cell),其结构如下。由一个latch和一个与门(也有的是或门)组成,可以过滤掉EN信号中的毛刺。一般的工艺库中都会有专门的ICG以供调用。 插入IC

weixin_44746697的博客 3879

【ChatGLM3】(8):模型执行速度优化,在4090上使用fastllm框架,运行ChatGLM3-6B模型,速度1.1万 tokens/s,真的超级快,高并发

速度确实非常快,但是目前看接口中只有一个 generate 接口。后续可以通过进行优化。没有 /v1/chat/completions 聊天接口。代码是 c++ 的效率是正高。下一个研究项目 candle : 目前已经 10K 星星。

freewebsys的专栏 6132

AT32F435/437开发实战:把SD卡变成U盘的完整指南(含源码解析)

本文提供了基于AT32F435/437微控制器将SD卡改造为U盘的完整实战指南。通过深入解析USB MSC协议与SDIO驱动的协同工作原理,详细介绍了硬件设计要点、软件架构融合、核心源码解析以及从编译到文件传输的完整调试流程,帮助开发者实现可靠的大容量存储设备扩展。

weixin_29159127的博客 410

YOLO26改进 - C3k2 | C3k2 融合 ARConv 自适应矩形卷积:动态调整卷积核形状与采样点 | CVPR 2025

本文介绍了将自适应矩形卷积(ARConv)模块与YOLO26相结合的方法。ARConv是针对遥感图像全色锐化任务设计的创新卷积模块,可自适应调整卷积核形状与采样点数量,解决传统卷积刚性限制,实现高效特征提取。其工作流程包括学习卷积核高度和宽度、选择采样点数量、生成采样图、卷积实现与空间自适应增强。我们将集成ARConv的C3k2_ARConv模块引入YOLO26,对相关代码进行修改和注册,并配置了YOLO26 - C3k2_ARConv.yaml文件。实验脚本显示,该结合方式应用于目标检测任务。

魔改工程师的博客 503

【万字长文】看完这篇yolov4详解,那算是真会了

YOLO系列自2016年推出YOLOv1起,就以其卓越的速度和准确度引领着目标检测技术的潮流。YOLOv1将目标检测任务转化为一个回归问题,每个格子(grid cell)负责预测该区域内的物体。随后的YOLOv2通过批量归一化、高斯YOLO等技术进一步提升性能。YOLOv3引入多尺度预测,通过三个不同尺度的网络来检测不同尺寸的物体,极大地提升了对小目标的检测能力。

dont worry about it的博客 6万+

(11)(2.2.2) BLHeli32,AM32, and BLHeli_S ESCs(一)

Ardupilot官网关于《Peripheral Hardware》的翻译 —《(2.2.2) BLHeli32,AM32, and BLHeli_S ESCs》。

无人机开发(开源Ardupilot) 2234

YOLO 系列论文精读 & YOLOv4

YOLO系列的论文已经告一段落,期间也精读了DETR系列的一些论文,颇有感受。YOLOv4更像是一篇总结性的文章,具体描述了整个模型的各个阶段,并对每个阶段的经典算法进行了研究和消融实验,值得我们重新思考神经网络模型的框架。我们提供了一个最先进的探测器,它比所有可用的替代探测器更快( FPS )和更准确的( MS COCO AP50 ... 95和AP50)。所描述的探测器可以在具有8 - 16GB - VRAM的传统GPU上训练和使用,这使得它的广泛应用成为可能。...

Flying Bulldog 的博客 2710

深耕车载智能:奇瑞安卓车机开发工程师岗位深度解析与面试指南

奇瑞控股集团招聘安卓车机开发工程师(J22602),负责车载应用开发、性能优化及整车适配。要求大专以上学历,3年以上车机开发经验,精通Android框架及车机特定技术(如Vehicle HAL)。岗位需具备性能调优能力、整车系统适配经验,熟悉车规级开发环境。面试重点考察技术深度、项目经验及问题解决能力,涉及基础技术、性能优化及整车适配等维度。随着智能座舱发展,该职位需持续学习新技术(如AAOS),关注行业趋势(多屏联动、舱驾融合)。职业发展建议深化Android技术,拓展车规硬件知识,提升软技能。

郑伟强dev的专栏 481

RAG 提示词工程最佳实践

虽然目前网络上关于提示工程的相关资料已经多如牛毛,然而 RAG (检索增强生成) 任务中提示工程如何进行的资料相对而言却较少。不少朋友之前也热烈的讨论过 RAG 场景下提示词的运用,因此 Zen 禅与计算机程序设计艺术 特别推出 RAG 任务下的提示词实践经验系列分享。RAG 是检索增强生成(Retrieval Augmented Generation)的简称,是当前最火热的企业级LLM应用方案。

AI天才研究院 2015

目标检测 ~ Yolov4论文笔记 ~《YOLOv4: Optimal Speed and Accuracy of Object Detection》

有兴趣的朋友可以加微信:qyf--1314相互讨论技术 论文:https://arxiv.org/abs/2004.10934 官方代码:https://github.com/AlexeyAB/darknet Abstract

weixin_41447373的博客 894

EfficientNet 改进:添加混合卷积提取特征

混合卷积(Mixed Convolution)是一种在卷积神经网络(CNN)中结合多种卷积操作的策略,旨在通过融合不同卷积核大小或类型的卷积操作来提升模型的性能和灵活性。:例如标准卷积、深度可分离卷积(Depthwise Separable Convolution)、分组卷积(Grouped Convolution)等,可以在计算效率和特征提取能力之间取得平衡。混合卷积可以根据任务需求动态调整卷积操作的组合方式,适应不同的输入数据分布。:通过引入可学习的权重,动态调整不同卷积操作的贡献。

Henry的博客 661

YOLOv4:目标检测的最佳速度和精度

Yolov4其实并没有提出什么创新点,主要是对当时领域内的一些Tricks(WRC、CSP、CmBN、SAT、Mish激活、Mosaic数据增强,DropBlock和CIoU)进行了大量的实验,并且对模型的精度和速度进行了平衡;最终在MS COCO数据集上实现了43.5% AP (65.7% AP50),在Tesla V100的实时速度为65帧/秒。1.开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080ti或2080ti GPU来训练一个非常快速和准确的目标检测器。

学姐带你玩AI的博客 2933

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

几个目标检测算法的比较——yolov4,yolov4-tiny,faster-rcnn

本文主要记录了本人在使用目标检测算法的过程中遇到的问题以及解决方法

hexiao260的博客 2万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

训练yolo V4模型调优的十个建议

1、获取更多的数据2、数据增广3、输入分辨率4、使用预训练pretrained模型5、选择合适的模型尺寸和架构6、继续之前的训练7、选择最好的模型8、模型评估9、导出模型10、优化推理速度 1、获取更多的数据 改进对象检测模型的最佳方法是收集更有代表性的数据,YOLO v4也不例外。特斯拉人工智能高级总监安德烈•卡帕西在解释特斯拉如何让汽车停下来时表示:数据集是活的,标签一直在变化。你需要一直管理和更改数据集。 2、数据增广 收集和标记更多的数据需要代价。可以通过数据增广来扩展训练集。 YOLO v4的训.

熬过夜、救过火,蹲过机房、改过屎山,填过没人管的坑、背过没人要的锅。 5631

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

从2D到3D的目标检测综述

点云PCL免费知识星球,点云论文速读。文章:An Overview Of 3D Object Detection作者:Yilin Wang Jiayi Ye翻译:分享者本文仅做学术分享...

点云PCL 6962

入门图形学:数据精度

shader开发中,提供了一些预编译指令,可以指定硬件按照规定的条件去运行,比如: #pragma fragmentoption ARB_precision_hint_fastest 这个预编译指令告诉fragment处理时按照fastest去改变数值精度运行,也就是将数值精度降低,提高运行效率。 ARB_precision_hint_fastest 16...

羊羊的博客 846

YOLO V4 Tiny改进版来啦!速度294FPS精度不减YOLO V4 Tiny

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达此YOLO V4 Tiny改进在保证精度的同时帧率可以达到294FPS!具有比YOLOv4-tiny(270 FPS)和YOLOv3...

3D视觉工坊 1万+

YOLOv4 改进 | 记录如何一步一步改进YOLOv4到自己的数据集(性能、速度炸裂)

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达作者丨ChaucerG来源丨集智书童植物病害的早期识别和预防是精准农业技术的一个关键技术。本文提出了一种高性能的实时细粒度目标检测框架...

3D视觉工坊 2173

YOLOv4来了,大型调优现场,速度和准确率俱佳

作者 |VincentLee来源 | 晓飞的算法工程笔记简介论文提出YOLOv4,从图1的结果来看,相对于YOLOv3在准确率上提升了近10个点,然而速度并几乎没有下降,论文主要贡献如...

AI科技大本营 5565

【全文翻译】YOLOv4:目标检测的最佳速度和准确性

摘要 有许多功能可以提高卷积神经网络(CNN)的准确性。需要在大型数据集上对这些特征的组合进行实际测试,并对结果进行理论证明。一些功能仅在某些模型上运行,并且仅在某些问题上运行,或者仅在小规模数据集上运行; 而某些功能(例如批归一化和残差连接)适用于大多数模型,任务和数据集。我们假设此类通用功能包括加权残差连接(WRC),跨阶段部分连接(CSP),跨小批量标准化(CmBN),自...

行云 8028

YOLOv5它来了!YOLOv4发布不到50天,它带着推理速度140帧/秒、性能提升2倍来了

点击上方“3D视觉工坊”,选择“星标”干货第一时间送达贾浩楠 发自 凹非寺转自 | 量子位YOLOv4还没有退热,YOLOv5已经发布!6月9日,Ultralytics公司开源了YOL...

3D视觉工坊 4695

[附下载]手把手教指标领先的Scaled YOLO v4在Windows下实测,实时速度超过120帧,模型缩放在工业缺陷检测大显神威

你将收获 掌握Scaled YOLOv4在Windows下系统配置方法 掌握Scaled YOLOv4 tiny和CSP和Large模型的测试方法 掌握训练好的网络模型在前端软件的测试与应用 掌握可配置前端软件把检测结果传给PLC或机器人的通讯方法 适用人群 对人工智能机器视觉与对深度学习目标检测感兴趣的朋友们和从业者 软件环境: Windows7或10x64;cuda 10.2; cudnn7.6.5;GPU(不小于4G);智能AI图像检测系统(GPU) 引言: YOLOv4团队...

jimslin的专栏 1073

YOLOv4来了!COCO 43.5 AP,65FPS!实现速度与精度的最优平衡

今年初YOLO 之父Joseph Redmon宣布推出CV界,引起轩然大波,大家纷纷猜测YOLO是否不会再出v4版,退出历史舞台。 今天,YOLOv4重磅发布,作者为俄罗斯开发者 Alexey Bochkovskiy 和两位中国台湾开发者 Chien-Yao Wang、Hong-Yuan Mark Liao。 YOLOv4 没有理论创新,而是在原有YOLO目标检测架构的基础上增加了近年CNN改进的众多技术, 从数据处理到网络训练再到损失函数,遵行“拿来主义”,加上漂亮的工程实践,打造实现最..

3914
上一篇: 各个视觉与图形学领域的封神论文-MobileNets有效的卷积网络用于移动视觉
下一篇: OpenCV-Python-C++ 全套视频详讲
元宇宙MetaAI
博客等级 码龄10年 331粉丝 333原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值