YOLOv4(暂不完整 持续更新)

最新推荐文章于 2025-10-21 21:30:52 发布
原创 最新推荐文章于 2025-10-21 21:30:52 发布 · 664 阅读 · 0 ·
CC 4.0 BY-SA版权
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。

YOLOv4是一种高效且强大的目标检测模型，相较于YOLOv3，其在COCO数据集上的AP提高了10%，fps提升了12%。通过集成多种优化算法，如WRC、CSP、Mish激活、Mosaic数据增强等，实现了快速准确的目标检测。论文还验证了SOTA方法的影响，并改进了CBN、PAN、SAM等技术。
部署运行你感兴趣的模型镜像

YOLOv4: Optimal Speed and Accuracy of Object Detection

论文：https://arxiv.org/abs/2004.10934

代码：https://github.com/AlexeyAB/darknet

论文中提到，在COCO数据集上，YOLOv4比YOLOv3提升了10%的AP和12%的fps，所以YOLOv4更加快速、精准。

达到这种效果，主要原因是YOLOv4将很多单独的优化算法做了集成，包括：

  • Weighted-Residual-Connections (WRC)
  • Cross-Stage-Partial-connections (CSP)-------用来作backbone
  • Cross mini-Batch Normalization (CmBN)
  • Self-adversarial-training (SAT)
  • Mish-activation
  • Mosaic data augmentation
  • CmBN
  • DropBlock regularization
  • CIoU loss

本文的主要贡献如下：

1. 提出了一种高效而强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 Ti GPU 训练超快速和准确的目标检测器（牛逼！）。

2. 在检测器训练期间，验证了SOTA的Bag-of Freebies 和B

您可能感兴趣的与本文相关的镜像

Yolo-v5

Yolo-v5

Yolo

YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎

最低0.47元/天 解锁文章
YOLOv8【第七章：损失函数篇·第7节】一文搞定，Focal Loss焦点损失目标检测！
**My Coding Family**
12-06 1149
🏆 本文收录于 《YOLOv8实战：从入门到深度优化》 专栏。该专栏系统复现并梳理全网各类 YOLOv8 改进与实战案例（当前已覆盖分类 / 检测 / 分割 / 追踪 / 关键点 / OBB 检测等方向），坚持持续更新 + 深度解析，质量分长期稳定在 97 分以上，可视为当前市面上 覆盖较全、更新较快、实战导向极强 的 YOLO 改进系列内容之一。
【YOLO v4 相关理论】Normalization: BN、CBN、CmBN
qq_38253797的博客
05-18 6445
一、Batch Normalization 论文：https://arxiv.org/pdf/1502.03167.pdf Batch Normalization是google团队在2015年论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》提出的。 个人认为这时一篇可以排进深度学习前十的一篇神作，目前大部分的流行算法、模型都会用到BN，它可以加快模型的收敛速度，
Paddle-YOLOv4:Paddle-YOLOv4,supports training, at least 41.1% mAP.支持训练，至少41.1%mAP。少数的给出精度的复现
05-07
| 简体中文 Paddle-YOLOv4 概述 Paddle-YOLOv4,参考自 和 推荐 本项目已经开源到AIStudio中，可直接跑： 咩酱刷屏时刻 Keras版YOLOv3: Pytorch版YOLOv3： PaddlePaddle版YOLOv3： PaddlePaddle完美复刻版版yolact: yolov3魔改成yolact: Keras版YOLOv4: (mAP 41%+) Pytorch版YOLOv4: (mAP 41%+) Paddle版YOLOv4： (mAP 41%+) Keras版SOLO: https://github.com/miemie2013/Keras-SOLO Paddle版SOLO: https://github.com/miemie2013/Paddle-SOLO Pytorch版FCOS: https://github.com/miem
庖丁解牛yolo_v4之CmBN
Bruce_0712的博客
06-11 4205
一文搞定深度学习中的规范化BN,LN,IN,GN,CBN 凡心所向素履所往 计算机视觉 14 人赞同了该文章 【写在前边】 本笔记详细总结BN的原理及细节（均值标准差的计算，训练和测试的区别）和BN的改进版本LN IN GN CBN等。。。。 论文： 2015年Google提出了BNhttps://arxiv.org/pdf/1502.03167.pdf 2016年多伦多大学提出了LNhttps://arxiv.org/pdf/1607.06450v1.pdf 2017年牛津提出了INht
深度学习之YOLO系列YOLOv4
最新发布
m0_74977182的博客
10-21 1192
YOLOv4是目标检测领域的重要算法，在YOLOv3基础上进行了全面优化。主要改进包括：采用CSPDarknet53主干网络；引入SPP模块和PANet进行特征融合；使用CIOULoss优化损失函数；创新性地应用Mosaic和CutMix数据增强技术；改进DropBlock正则化方法和标签平滑技术；提出DIOU-NMS优化非极大值抑制；引入注意力机制和Mish激活函数。这些改进使YOLOv4在保持实时性的同时显著提升了检测精度，tiny版本可达120FPS处理速度。网络架构采用残差块设计，通过特征金字塔实现
YOLO 图文入门 04 v4 PAN，SAM（含代码+原文）
IanYue的博客
09-04 4195
本文以入门角度阐述了YOLOv4的网络架构及关键改进技术，DenseNet，PAN，SAM。我在入门学习计算机视觉的时候，看一些经典的论文原文比较吃力。于是通过看各种参考文献及查阅各路资料，入门的角度写了一些博客，希望能够和大家一起进步。
yolov4
qq_45906101的博客
07-29 413
YOLOv4 简介
【YOLOV4】FPN+PAN结构
mjiansun的专栏
02-19 1万+
yolo4的neck结构采用该模式，我们将Neck部分用立体图画出来，更直观的看下两部分之间是如何通过FPN结构融合的。 如图所示，FPN是自顶向下的，将高层特征通过上采样和低层特征做融合得到进行预测的特征图。Neck部分的立体图像，看下两部分是如何通过FPN+PAN结构进行融合的。 和Yolov3的FPN层不同，Yolov4在FPN层的后面还添加了一个自底向上的特征金字塔。这样结合操作，FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，两两联手，从不同的主干层对不同的检测层
约洛夫Apex传奇_基于yolov5实现的Apex Legends自瞄，效果和模型质量相关，暂不提供模型和数据，仅供学习
08-31
yolov5_apex_aimbot项目是一个由约洛夫领导的计算机视觉项目，旨在实现对《Apex Legends》（一款流行的多人在线战术竞技游戏）中目标的自动瞄准功能。该项目采用深度学习和图像识别技术，以yolov5这一先进的目标检测...
YOLOv8版本管理与持续集成（CI）：打造无缝模型部署流程
YOLOv8模型作为一款领先的实时对象检测系统，其版本管理是模型开发与维护中不可或缺的环节。版本管理不仅确保了模型迭代的有序性，而且为多人协作提供了便利。在本章，我们将介绍YOLOv8版本管理的基本概念，包括为何...
【论文笔记】YOLOv4: Optimal Speed and Accuracy of Object Detection
weixin_43383972的博客
04-25 8540
简介： 笔者原本计划接着解读一篇有关NAS的文章的，奈何今天YOLOv4突然闪亮登场，经不住诱惑，那篇有关NAS的文章就只能后面再写了。好了，废话不多说，进入正题。 论文链接 代码链接 前言： YOLO系列的网络都有一个共同的特点，即追求网络精度也追求网络速度，YOLOv4在此基础上又多了一个追求，那就是降低硬件要求。换句话说，作者希望只有一个GPU的“穷人”也能玩转YOLO，而不是像Google...
【yolov4】学习笔记一
12-21
想多熟悉下pytorch,因而选择了yolov4-pytorch版本来熟悉整个流程。 代码下载地址: https://github.com/Tianxiaomo/pytorch-YOLOv4 这位大神厉害啊，这么快就复现了,好好学习膜拜中！ yolov4.weights权重百度网盘下载地址: https://pan.baidu.com/s/1dAGEW8cm-dqK14TbhhVetA 提取码:dm5b 下载后用pycharm打开工程。 个人更喜欢把参数写在代码中，所以将demo.py中main部分改为 if __name__ == '__main__': cfgfile = 'cfg
目标检测（3）--YOLOV4、YOLOV5
NPU 研0
01-12 901
YOLOV4，YOLOV5网络结构，基本思想，改进
YOLOv4网络详解
m0_61595251的博客
10-02 1342
在csp模块之前进行一个下采样，将输出依次通过两个1*1的卷积层（输出特征层的个数为输入特征层个数的一半 128 -> 64），然后接上resblock，再继续接上1*1的卷积层（对应图b的transition），与part1输出进行拼接，再通过1*1的卷积层（对应图b最后一个transition）对于输入，依次通过5*5，9*9，13*13的最大池化下采样层（stride=1），经过对应的padding后，他们的输入输出特征层的大小高宽是一致的，再将三模块的输出和原输入四个分支进行concat拼接。
YOLOV4模型结构及算法解析笔记
weixin_54372361的博客
01-20 1235
这里简单叙述一下样本匹配问题，通过缩放后网络预测中心点的偏移范围已经从原来的( 0 , 1 ) 调整到了( − 0.5 , 1.5 ) ，因此预测框的范围扩大了，所以对于同一个GT Boxes可以分配给更多的Anchor（每个grid cell负责产生三个Anchor），不同的grid cell可以预测同一种类别的对象，然后通过筛选得到最优的预测框，即正样本的数量更多了。sigmoid函数如下图：可知网络的预测值需要负无穷或者正无穷时才能取到网格左上角或者右下角，而这种很极端的值网络一般无法达到。
【万字长文】看完这篇yolov4详解，那算是真会了
热门推荐
dont worry about it的博客
04-28 6万+
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。
【YOLO系列】YOLOv4论文超详细解读2（网络详解）
路人贾的博客
02-27 1万+
YOLOv4包含的tricks超级详细介绍，更深一步的解读。
YOLOv4目标检测：原理与源码解析
06-26
需要学习Windows系统YOLOv4的同学请前往《Windows版YOLOv4目标检测实战：原理与源码解析》，课程链接 https://edu.youkuaiyun.com/course/detail/29865【为什么要学习这门课】 Linux创始人Linus Torvalds有一句名言：Talk is cheap. Show me the code. 冗谈不够，放码过来！  代码阅读是从基础到提高的必由之路。尤其对深度学习，许多框架隐藏了神经网络底层的实现，只能在上层调包使用，对其内部原理很难认识清晰，不利于进一步优化和创新。YOLOv4是最近推出的基于深度学习的端到端实时目标检测方法。YOLOv4的实现darknet是使用C语言开发的轻型开源深度学习框架，依赖少，可移植性好，可以作为很好的代码阅读案例，让我们深入探究其实现原理。【课程内容与收获】 本课程将解析YOLOv4的实现原理和源码，具体内容包括：- YOLOv4目标检测原理- 神经网络及darknet的C语言实现，尤其是反向传播的梯度求解和误差计算- 代码阅读工具及方法- 深度学习计算的利器：BLAS和GEMM- GPU的CUDA编程方法及在darknet的应用- YOLOv4的程序流程- YOLOv4各层及关键技术的源码解析本课程将提供注释后的darknet的源码程序文件。【相关课程】 除本课程《YOLOv4目标检测：原理与源码解析》外，本人推出了有关YOLOv4目标检测的系列课程，包括：《YOLOv4目标检测实战：训练自己的数据集》《YOLOv4-tiny目标检测实战：训练自己的数据集》《YOLOv4目标检测实战：人脸口罩佩戴检测》《YOLOv4目标检测实战：中国交通标志识别》建议先学习一门YOLOv4实战课程，对YOLOv4的使用方法了解以后再学习本课程。【YOLOv4网络模型架构图】 下图由白勇老师绘制  
Yolov4详解
xiahan_qian的博客
05-26 1万+
文章目录前言一、Yolov4网络结构1.backbone：CSP Darknet-532.SPP池化3.PAN和Yolo head二、改进点1.Mosaic数据增强2.anchor偏移机制3.正负样本匹配4.Loss 前言 上一篇文章我们讨论了yolov3，yolov3在速度与精度上达到了一个较好的平衡，堪称经典之作，可惜在yolov3之后的原作者Joseph Redmon因为yolo的军事应用和对他人个人隐私风险而退出了yolo系列的研究，从此cv界痛失一员大将.但是经典之作总会源远流长，即使yolo原
yolov8处理rstp延迟高
01-21
### 解决YOLOv8处理RTSP视频流时的高延迟 为了有效降低YOLOv8处理RTSP视频流时的高延迟，可以从以下几个方面入手： #### 1. 使用多线程技术提高帧处理效率 通过引入生产者-消费者模式来分离视频捕获和推理过程。...
评论 4
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