18、基于YOLOv4模型的实时梨果检测与计数技术解析

基于YOLOv4模型的实时梨果检测与计数技术解析

1. 相关工作

1.1 YOLO系列算法发展

深度学习算法是目标检测的强大手段，其中YOLOv4在准确性和速度方面表现出色。YOLO的发展历程如下：
- YOLO ：2016年由Joseph Redmon开发，是最早具备实时速度的卷积神经网络之一。它采用单阶段检测机制，将输入图像划分为S×S网格，同时预测边界框坐标和类别概率。通过设置阈值消除低置信度的边界框，大于阈值的概率被视为检测结果。不过，YOLO在检测小物体和特殊长宽比物体时存在困难，且定位误差比fast R - CNN大。
- YOLOv2 ：2017年推出，准确性提升主要得益于使用锚框预测物体位置、卷积层的批量归一化和高分辨率分类器。在Pascal VOC 2007数据集上mAP达78.6%，推理速度40 FPS；在MS COCO test - dev 2015上mAP0.5:0.95为21.6%。
- YOLOv3 ：2018年改进，将YOLOv2的骨干网络Darknet - 19替换为Darknet - 53，还集成了二元交叉熵损失计算、逻辑回归预测“物体性得分”以及受FPN启发的三尺度特征提取。在MS COCO数据集上AP为28.2%，与SSD相当但速度快三倍，不过准确性提升导致推理速度有所下降。
- YOLOv4 ：2020年初由Bochkovskiy等人引入，比YOLOv3准确性高10%、速度快12%，在相似准确性下比EfficientDet快两倍，且可在单个传统GPU上训练。其效率和准