YoloV4模型解析及TensorRT加速

最新推荐文章于 2025-05-30 00:00:00 发布

原创

最新推荐文章于 2025-05-30 00:00:00 发布 · 9k 阅读

CC 4.0 BY-SA版权

文章标签：

本文探讨了Yolo目标检测模型的发展历程，从YoloV1到YoloV4，重点解析了YoloV4的核心特性，并提及使用TensorRT进行效率提升。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Faster RCNN诞生以后，目标检测准确度得到保证，但是two-stage的方式存在天然的效率缺陷，SSD和Yolo填补了这一空白，Yolo一共经历了4个版本。

模型	数据增强/训练	Backbone	网络特征层	性能对比	备注
Yolo v1		Lenet - maxPooling	每个点支持2个box
Yolo v2	-随机裁剪、旋转 -色调、饱和度、曝光偏移 -混合训练集策略（coco + imagenet） -多尺度训练 -对Anchor Box维度聚类

模型

数据增强/训练

Backbone

网络特征层

性能对比

备注

Yolo v1

Lenet - maxPooling

每个点支持2个box

Yolo v2

-随机裁剪、旋转

-色调、饱和度、曝光偏移