PP-YOLO是百度团队提出的一种在不增加计算量的情况下提升目标检测速度和效果的方法。通过使用ResNet50-vd替换darknet53，并结合Deformable Convolutional Networks (DCN)，FPN neck和一系列优化技巧，如Larger Batch Size、EMA、DropBlock等，实现了性能的提升。此外，文章还引入了IoU Loss、IoU Aware、Grid Sensitive、Matrix NMS、CoordConv和SPP等策略，以及更好的预训练模型。实验结果显示了这些改进的有效性。
题目：PP-YOLO: An Effective and Efficient Implementation of Object Detector
作者：Xiang Long, Kaipeng Deng, Guanzhong Wang, Yang Zhang, Qingqing Dang,Yuan Gao, Hui Shen, Jianguo Ren, Shumin Han, Errui Ding, Shilei Wen
（百度团队）
motivation: 还是速度和效果不能兼得的问题，作者想兼得速度与效果。在yolo系列的基础上，采用多种tricks，在不增加计算量的基础上提高效果。
这篇文章和yolov4一样，融合tricks高，实验效果好。
methods:
-
ResNet50-vd 替换 darknet53, 为了避免换了带来的性能降低，换resnet50-vd中的部分卷积为可变形卷积Deformable Convolutional Networks (DCN) 。DCN太多会影响推断时间，因此只用DCNs换了最后阶段的33卷积.DCN：本身不会显著增加模型中参数和FLOPs的数量，但是可能会影响推断时间
-
FPN为neck
-
head 几乎不变
tricks：
- Larger Batch Size （64-192）大公司卡多！
- EMA
- Dr
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
