YOLOv4中的tricks概念总结——Bag of freebies

已于 2022-07-03 13:19:46 修改
阅读量3k 收藏
点赞数 1
分类专栏： Machine Learning 文章标签： 人工智能
于 2021-12-31 14:23:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/m0_37957160/article/details/122254965
版权
本文总结了YOLOv4中的一些关键技巧，包括优化方法、数据增强策略等，旨在帮助读者更好地理解和应用YOLOv4在目标检测领域的优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

参考链接：

https://blog.youkuaiyun.com/weixin_38688399/article/details/106692156
https://www.cnblogs.com/yymn/articles/13672236.html
opencv学堂的文章：想读懂YOLOV4，你需要先了解下列技术(一)
https://zhuanlan.zhihu.com/p/104236411
https://www.bilibili.com/video/BV1yi4y1g7ro?p=4

https://blog.youkuaiyun.com/weixin_44751294/article/details/117987180

了解本专栏 订阅专栏 解锁全文 超级会员免费看
面试问题总结——关于YOLO系列（三）
boss-dog
09-16 1万+
接着上篇的的YOLO系列面试问题总结，加油，冲！ 三.YOLOv3 1.YOLOv3主干网络BackBone——Darknet-53网络结构（因为有53个卷积层） （原论文中Darknet53的尺寸是在图片分类训练集上训练的，所以输入的图像尺寸是256x256，而在YOLOv3中输入尺寸是416×416）   ①上图中，Top-1 Accuracy和Top-5 Accuracy是指什么呢？区别在哪呢？   我们知道ImageNet有大概1000个分类，而模型预测某张图片时，会给出1000个按概率从高.
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
10-26 1万+
目标检测算法——YOLOv7训练自己的数据集（保姆级教程）！！！
论文笔记:Bag of Freebies for Training Object Detection Neural Networks
水不在深有江的博客
02-23 5790
这篇论文看起来像是一种总结类文章，文中并没有提出新的结构模型之类，但是对于以前的一些做法进行了整合并应用于baseline中。也就是文中一再强调的“Bag of Freebies”，即在不改变模型结构并且不改变损失函数的情况下，不牺牲前向传播时间，将mAP提升近五个点。 论文主要贡献如下： 首次系统地评估了不同目标检测流程中应用的多种训练启发式方法，为未来的研究提供了有价值的实践指导。 提出...
Bag of Freebies for Training Object Detection Neural Networks学习笔记
热门推荐
何少的博客
01-08 1万+
论文：Bag of Freebies for Training Object Detection Neural Networks 发表日期：2019.2.11 github:GluonCV,模型的预训练权重可在GluonCV工具包中获得。 本文介绍一篇很棒的目标检测训练技巧论文。该论文是由Amazon Web Services 提出，其中作者团队中就有李沐等大神。之前Amazon还提出图像分类的T...
Bag of Freebies(免费包)和Bag-of-Specials(特赠包)
qq_16009377的博客
04-20 2314
Bag of Freebies：指的是那些不增加模型复杂度，也不增加推理的计算量的训练方法技巧，来提高模型的准确度 https://zhuanlan.zhihu.com/p/141878389 Bag-of-Specials：指的是那些增加少许模型复杂度或计算量的训练技巧，但可以显著提高模型的准确度 https://zhuanlan.zhihu.com/p/307303944 BoF指的是 1）数据增强：图像几何变换（随机缩放，裁剪，旋转），Cutm
论文阅读笔记06：Bag of Freebies for Training Object Detection Neural Networks
不撸先疯。
05-11 268
paper：https://arxiv.org/pdf/1902.04103.pdf code：https://github.com/ dmlc/gluon-cv 这是一篇目标检测的论文，发布于2019年，将YOLOv3的精度提升5%左右，其他例如Faster R-CNN的精度也略有提升。 （也是课程《计算机视觉》的大作业总结） 写在前面： 目标检测无疑是计算机视觉领域最前沿的应用之一，吸引了各个领域诸多研究者的目光。最前沿的检测器，包括类似RCNN的单阶段（SSD或YOLO）或多阶神经网络都是基
【YOLOv4探讨 之一】 YOLOv4 论文解读和总体认识
北溟客的博客
07-21 1402
YOLOv4学习之一 总体认识1.总体思想2.Bag-of-Freebies免费包3.Bag-of-Specials特价包4.方法论架构选择BoF and BoS中方法选择进一步的模型修整 1.总体思想 YOLO模型本来就是奔着工业化去的，从v1到v3基本上都是在主体框架上不断的改进。v1是雏形，构建了YOLO的主体设计模型；v2引入标准化和FPN，提高了准确度；v3引入残差结构，大大增加了深度，提升了性能。而到了v4，就是将当前最流行的改善效果的方法来个了大乱炖，同时还保证你在比较“简陋”（一个1080
YOLO算法全家桶（YOLOV1~YOLOV12）
最新发布
浩瀚之水的专栏
09-10 7329
YOLOV1作为目标检测领域的开创性模型，以其独特的设计理念和高效的检测性能赢得了广泛的关注和应用。尽管存在一些不足之处，但YOLOV1为后续的YOLO系列模型奠定了坚实的基础，推动了目标检测技术的不断发展。YOLOv6专注于提供极致的检测精度和推理效率，适用于自动驾驶、安防监控等多种领域。它支持模型训练、推理及多平台部署等全链条的工业应用需求，并在网络结构、训练策略等算法层面进行了多项改进和优化。Backbone。
一文总结YOLOv4所列的Bag of freebies
weixin_38688399的博客
06-11 5495
这里写自定义目录标题YOLOv4目标检测架构功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 YOLOv4 YOLOv4其实是一个结合了大量前人研究技术，加以组合并进行适当创新的高水平论文，实现了速度和精度的完美平衡。 论文总结了大
论文阅读：Bag of Freebies for Training Object Detection Neural Networks
j879159541的博客
06-15 306
文章目录1、论文总述2、mixup操作图示3、the major difference between one-stage and so called multi-stage object detection data pipelines.4、warmup lr防止训练初期的梯度爆炸参考文献 1、论文总述 这篇论文首次提出了mixup数据增强方法在目标检测里应该如何使用，提供了几个目标检测网络训练时的tricks供我们使用，这几个tricks并不增加网络参数，只是在网络训练时使用，网络推理时没有额外的花销
目标检测优化技巧（Bag of Freebies for Training Object Detection Neural Networks）
mingo_敏
03-24 1722
关于Mu Li关于图像分类优化技巧的文章见 图像分类优化技巧（Bag of Tricks for Image Classification with Convolutional Neural Networks） Bag of Freebies for Training Object Detection Neural Networks，李沐大神19年2月的新作，用卷积神经网络进行目标检测的一些技巧。...
《Bag of Freebies for Training Object Detection Neural Networks》论文理解
去远方
02-23 577
摘要: 目标检测训练与图像分类模型的研究相比，相对缺少普遍性。由于网络结构和优化目标明显更加复杂，因此针对某些检测算法而不是其他检测算法专门设计了各种训练策略和 pipelines。在这项工作中，我们探索了有助于将最先进的目标检测模型的性能提升到一个新水平而不牺牲推理（inference）速度的通用方法。我们的实验表明，这些训练秘籍（freebies）可以在精度上增加5％，因此每个人都应该考虑在...
目标检测调优技巧：《Bag of Freebies for Training Object Detection Neural Networks》论文笔记
m_buddy的博客
03-12 778
1. 概述 这篇文章主要将介绍了一些在目标检测算法中的一些优化技巧，在优化过程中并不会修改网络，或者带来额外的计算量开销。文章的可以概括如下： 1）对于目标检测提出一种基于视觉相关的图像混合方法； 2）探究了详细的网络训练方法，包括损失函数、学习率、权重衰减以及多设备BN参数同步； 3）在单阶段与两阶段检测算法中检测提出技巧进行了对比。 使用文章中的方法进行优化，得到的优化见下图，至少提升了1个点...
深度学习笔记（入门）
Brillian123的博客
01-17 2491
深度学习的一些基本概念，在阅读论文的过程中记录下来
YOLO 系列论文精读 & YOLOv4
Flying Bulldog 的博客
08-25 2518
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。...
YOLO学习笔记（五）：YOLOv4
weixin_57425565的博客
12-16 1112
YOLOv4是一个高效而强大的目标检测网络。它使我们每个人都可以使用 GTX 1080Ti 或 2080Ti 的GPU来训练一个超快速和精确的目标检测器。YOLOv4也对当前先进的目标检测方法进行了改进，使之更有效，并且更适合在单GPU上训练；这些改进包括CBN、PAN、SAM等。
YOLOV4目标检测训练trick(bag of freebies)
qq_38232171的博客
05-18 1706
bag of freebies:在训练阶段使用的trick，不影响测试效率 1.数据增强 pixel-wise： 1）photometric distortions：调节亮度，对比度，饱和度，色调，增加噪声等 2）geometric distortions：缩放，裁剪，翻转，旋转 模仿目标遮挡情况： 1）随机擦除【1】：给像素赋随机值或者[125.0, 122.0, 114.0](平均值即ImageNet mean pixel value) 2）cutout：随机将一个矩形区域内像素值设为
YOLO V4重磅来袭-论文全面详细解
markwentian的博客
05-10 3933
上个月yolo v4重磅推出 了，最近有时间把论文读了一遍，后面找时间再把代码细读下，总体感觉yolo v4没有太大的创新，不过yolo v4综合了已有的物体检测和CNN各种trick，把yolo的检测精度和速度提上去了确实是一大贡献，该论文将物体检测领域各种trick都总结比较了一番，对于学习目的来说，好好读读该篇论文肯定也受益匪浅。 yolo v4的作者不再是Joe Redmon，而是另一位曾...
yolov5的Tricks
09-12
YOLOv5中使用的Tricks基本上和YOLOv4一致，并在此基础上引入了更多的工程优化逻辑。具体来说，YOLOv5使用了一些技巧来提高物体检测的准确性和效率。其中一些Tricks包括： 1. Mosaic数据增强：YOLOv5使用了Mosaic...
评论
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

打赏作者

Upupup6

写手不易请留下你的打赏鼓励谢谢

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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