YOLOv4: 高速且精确的目标检测

欢迎来到Ultralytics关于YOLOv4的文档页面，YOLOv4是由Alexey Bochkovskiy于2020年在https://github.com/AlexeyAB/darknet发布的最先进的实时目标检测器。YOLOv4旨在提供速度和准确性之间的最佳平衡，使其成为许多应用的绝佳选择。

YOLOv4架构图。展示了YOLOv4复杂的网络设计，包括主干、颈部和头部组件，以及它们相互连接的层，以实现最佳的实时目标检测。

简介

YOLOv4代表You Only Look Once版本4。它是一个实时目标检测模型，旨在解决之前的YOLO版本（如YOLOv3）和其他目标检测模型的局限性。与基于卷积神经网络（CNN）的其他目标检测器不同，YOLOv4不仅适用于推荐系统，还适用于独立的流程管理和减少人工输入。它在传统图形处理单元（GPU）上的操作使得大规模使用价格合理，并且设计为在传统GPU上实时工作，同时只需要一个这样的GPU进行训练。

架构

YOLOv4采用了多种创新特性，这些特性共同优化了其性能。这些特性包括加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量归一化（CmBN）、自对抗训练（SAT）、Mish激活、马赛克数据增强、DropBlock正则化和CIoU损失。这些特性结合在一起，实现了最先进的结果。

典型的目标检测器由几个部分组成，包括输入、主干、颈部和头部。YOLOv4的主干在ImageNet上进行了预训练，用于预测目标的类别和边界框。主干可以来自多个模型，包括VGG、ResNet、ResNeXt或DenseNet。检测器的颈部部分用于从不同阶段收集特征图，通常包括几个自底向上的路径和几个自顶向下的路径。头部部分用于进行最终的目标检测和分类。

免费赠品包

YOLOv4还使用了被称为“免费赠品包”的方法，这些技术在训练过程中提高了模型的准确性，而不会增加推理成本。数据增强是目标检测中常用的免费赠品包技术，通过增加输入图像的多样性来提高模型的鲁棒性。一些数据增强的例子包括光度失真（调整图像的亮度、对比度、色调、饱和度和噪声）和几何失真（添加随机缩放、裁剪、翻转和旋转）。这些技术有助于模型更好地泛化到不同类型的图像。

特性和性能

YOLOv4旨在实现目标检测中的最佳速度和准确性。YOLOv4的架构包括CSPDarknet53作为主干，PANet作为颈部，YOLOv3作为检测头部。这种设计使得YOLOv4能够以惊人的速度执行目标检测，适用于实时应用。YOLOv4在准确性方面也表现出色，在目标检测基准测试中取得了最先进的结果。

使用示例

截至撰写本文时，Ultralytics目前不支持YOLOv4模型。因此，任何有兴趣使用YOLOv4的用户都需要直接参考YOLOv4的GitHub仓库以获取安装和使用说明。

以下是您可能采取的典型步骤的简要概述：

访问YOLOv4的GitHub仓库：https://github.com/AlexeyAB/darknet。
按照README文件中提供的说明进行安装。这通常涉及克隆仓库、安装必要的依赖项以及设置任何必要的环境变量。
安装完成后，您可以按照仓库中提供的使用说明训练和使用模型。这通常涉及准备您的数据集、配置模型参数、训练模型，然后使用训练好的模型进行目标检测。请注意，具体的步骤可能会根据您的具体用例和YOLOv4仓库的当前状态而有所不同。因此，强烈建议直接参考YOLOv4 GitHub仓库中提供的说明。

我们对由此可能带来的不便表示歉意，并将努力在Ultralytics支持YOLOv4后更新此文档，提供使用示例。

结论

YOLOv4是一种强大且高效的目标检测模型，它在速度和准确性之间取得了平衡。它在训练过程中使用的独特功能和免费赠品技术使其在实时目标检测任务中表现出色。任何人都可以使用常规GPU训练和使用YOLOv4，这使得它在广泛的应用中既易于获取又实用。

引用和致谢

我们要感谢YOLOv4的作者在实时目标检测领域做出的重大贡献：

BibTeX

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

原始的YOLOv4论文可以在arXiv上找到。作者已将其工作公开，代码库可以在GitHub上访问。我们感谢他们在推动该领域发展并使其工作对更广泛的社区可访问方面所做的努力。

常见问题

什么是YOLOv4，为什么我应该将其用于目标检测？

YOLOv4，即“You Only Look Once version 4”，是由Alexey Bochkovskiy在2020年开发的一种最先进的实时目标检测模型。它在速度和准确性之间取得了最佳平衡，非常适合实时应用。YOLOv4的架构结合了几个创新功能，如加权残差连接（WRC）、跨阶段部分连接（CSP）和自我对抗训练（SAT）等，以实现最先进的结果。如果您正在寻找一种在常规GPU上高效运行的高性能模型，YOLOv4是一个极好的选择。

YOLOv4的架构如何提升其性能？

YOLOv4的架构包括几个关键组件：主干、颈部和头部。主干部分，如VGG、ResNet或CSPDarknet53，经过预训练以预测类别和边界框。颈部部分使用PANet连接来自不同阶段的特征图，以进行全面的数据提取。最后，头部部分使用YOLOv3的配置进行最终的目标检测。YOLOv4还采用了“免费赠品”技术，如马赛克数据增强和DropBlock正则化，进一步优化了其速度和准确性。

在YOLOv4的背景下，“免费赠品”是什么？

“免费赠品”指的是在不增加推理成本的情况下提高YOLOv4训练准确性的方法。这些技术包括各种形式的数据增强，如光度失真（调整亮度、对比度等）和几何失真（缩放、裁剪、翻转、旋转）。通过增加输入图像的多样性，这些增强技术帮助YOLOv4更好地泛化到不同类型的图像，从而在不牺牲实时性能的情况下提高其鲁棒性和准确性。

为什么YOLOv4被认为适合在常规GPU上进行实时目标检测？

YOLOv4旨在优化速度和准确性，使其非常适合需要快速可靠性能的实时目标检测任务。它在常规GPU上高效运行，仅需一个GPU即可进行训练和推理。这使得它在从推荐系统到独立过程管理的各种应用中既易于获取又实用，从而减少了广泛的硬件设置需求，成为实时目标检测的经济高效解决方案。

如果Ultralytics目前不支持YOLOv4，我该如何开始使用它？

要开始使用YOLOv4，您应该访问官方的YOLOv4 GitHub仓库。按照README文件中提供的安装说明进行操作，通常包括克隆仓库、安装依赖项和设置环境变量。安装完成后，您可以通过准备数据集、配置模型参数并遵循提供的使用说明来训练模型。由于Ultralytics目前不支持YOLOv4，建议直接参考YOLOv4 GitHub以获取最新和最详细的指导。

📅 Created 11 months ago ✏️ Updated 20 days ago