論文地址和代碼
https://arxiv.org/abs/2004.10934v1
代碼：https://github.com/AlexeyAB/darknet
本篇博文是對YOLOv4論文的翻譯和框架解讀！並且有PDF版本可供下載！——YOLOv4閱讀筆記（附思維導圖）！YOLOv4: Optimal Speed and Accuracy of Object Detection（點擊跳轉）
摘要：
據說有許多功能可以提高卷積神經網絡（CNN）的準確性。 需要在大型數據集上對這些特徵的組合進行實際測試，並對結果進行理論證明。 某些功能僅在某些模型上運行，並且僅在某些問題上運行，或者僅在小型數據集上運行； 而某些功能（例如批歸一化和殘差連接）適用於大多數模型，任務和數據集。 我們假設此類通用功能包括加權殘差連接（WRC），跨階段部分連接（CSP），跨小批量標準化（CmBN），自對抗訓練（SAT）和Mish激活。 我們使用以下新功能：WRC，CSP，CmBN，SAT，Mish激活，馬賽克數據增強，CmBN，DropBlock正則化和CIoU丟失，並結合其中的一些功能來實現最新的結果：43.5％的AP（65.7 在Tesla V100上，MS COCO數據集的實時速度約爲65 FPS。
核心中的核心：作者將Weighted-Residual-Connections(WRC), Cross-Stage-Partial-connections(CSP), Cross mini-Batch Normalization(CmBN), Self-adversarial-training(SAT)，Mish-activation Mosaic data augmentation, DropBlock, CIoU等組合得到了爆炸性的YOLOv4，可以吊打一切的YOLOv4.在MS-COCO數據上：43.5%@AP（65.7%@AP50）同時可以達到65fps@TeslaV100.
貢獻
作者設計YOLO的目的之初就是設計一個快速而高效的目標檢測器。該文的貢獻主要有以下幾點：
-
設計了一種快速而強有力的目標檢測器，它使得任何人僅需一個1080Ti或者2080Ti即可訓練這樣超快且精確的目標檢測器你；
-
(不會翻譯直接上英文)We verify the influence of SOTA bag-of-freebies and bag-of-specials methods of object detection during detector training
-
作者對SOTA方法進行改進（含CBN、PAN，SAM）以使其更適合單GPU訓練
方法
作者在現有實時網絡的基礎上提出了兩種觀點：
-
對於GPU而言，在組卷積中採用小數量的groups（1-8），比如CSPResNeXt50/CSPDarknet53;
-
對於VPU而言，採用組卷積而不採用SE模塊。
網路結構選擇
網絡結構選擇是爲了在輸入分辨率、網絡層數、參數量、輸出濾波器數之間尋求折中。作者研究表明：CSPResNeXt50在分類方面優於CSPDarkNet53，而在檢測方面反而表現要差。
網絡主要結構確定了後，下一個目標是選擇額外的模塊以提升感受野、更好的特徵匯聚模塊（如FPN、PAN、ASFF、BiFPN）。對於分類而言最好的模型可能並不適合於檢測，相反，檢測模型需要具有以下特性：
-
更高的輸入分辨率，爲了更好的檢測小目標；
-
更多的層，爲了具有更大的感受野；
-
更多的參數，更大的模型可以同時檢測不同大小的目標。
一句話就是：選擇具有更大感受野、更大參數的模型作爲backbone。下圖給出了不同backbone的上述信息對比。從中可以看到：CSPResNeXt50僅僅包含16個卷積層，其感受野爲425x425，包含20.6M參數；而CSPDarkNet53包含29個卷積層，725x725的感受野，27.6M參數。這從理論與實驗角度表明：CSPDarkNet53更適合作爲檢測模型的Backbone。
在CSPDarkNet53基礎上，作者添加了SPP模塊，因其可以提升模型的感受野、分離更重要的上下文信息、不會導致模型推理速度的下降；與此同時，作者還採用PANet中的不同backbone級的參數匯聚方法替代FPN。
最終的模型爲：CSPDarkNet53+SPP+PANet(path-aggregation neck)+YOLOv3-head = YOLOv4.
Tricks選擇
爲更好的訓練目標檢測模型，CNN模型通常具有以下模塊：
-
Activations：ReLU、Leaky-ReLU、PReLU、ReLU6、SELU、Swish or Mish
-
Bounding box regression Loss：MSE、IoU、GIoU、CIoU、DIoU
-
Data Augmentation：CutOut、MixUp、CutMix
-
Regularization：DropOut、DropPath、Spatial DropOut、DropBlock
-
Normalization：BN、SyncBn、FRN、CBN
-
Skip-connections：Residual connections, weighted residual connections, Cross stage partial connections
作者從上述模塊中選擇如下：激活函數方面選擇Mish；正則化方面選擇DropBlock；由於聚焦在單GPU，故而未考慮SyncBN。
其他改進策略
爲使得所涉及的檢測器更適合於單GPU,作者還進行了其他幾項額外設計與改進：
-
引入一種新的數據增廣方法：Mosaic與自對抗訓練；
-
通過GA算法選擇最優超參數；
-
對現有方法進行改進以更適合高效訓練和推理：改進SAM、改進PAN，CmBN。
YOLOv4
總而言之，YOLOv4包含以下信息：
-
Backbone：CSPDarkNet53
-
Neck：SPP，PAN
-
Head：YOLOv3
-
Tricks（backbone）：CutMix、Mosaic、DropBlock、Label Smoothing
-
Modified（backbone）: Mish、CSP、MiWRC
-
Tricks（detector）：CIoU、CMBN、DropBlock、Mosaic、SAT、Eliminate grid sensitivity、Multiple Anchor、Cosine Annealing scheduler、Random training shape
-
Modified（tector）：Mish、SPP、SAM、PAN、DIoU-NMS
Experiments
模型的好壞最終還是要通過實驗來驗證，直接上對比表：
