目标检测---YOLOV4简单总结

最近在学习YOLO系列的相关知识，YOLOV1-YOLOV3之前已经熟读过了，这几天在看YOLOV4，总结一下该检测方法主要改进点：

1. CSPDarknet53主干网络：

   • YOLOv4采用了CSPDarknet53作为其主干网络，这是一种Cross Stage Partial Network的变体，用于特征提取。CSPDarknet53通过减少卷积层之间的连接来降低计算复杂度，同时保持特征提取的能力。

2. SPPF模块：

   • 空间金字塔池化模块（Spatial Pyramid Pooling Form）用于进一步提取多尺度的特征，有助于检测不同大小的目标。

3. PANet改进：

   • YOLOv4中使用的PANet进行了改进，通过在网络中增加额外的路径来加强特征融合，特别是对于小目标的检测。

4. 损失函数：

   • YOLOv4采用了CIoU损失函数来优化边界框的回归，CIoU损失考虑了重叠区域、中心点距离和宽高比，有助于提高定位精度。
   • 同时，YOLOv4还使用了DIoU损失来减少边界框的定位误差。

5. 数据增强：

   • YOLOv4使用了包括MixUp、Mosaic等在内的多种数据增强技术，这些技术提高了模型对不同环境和变化的鲁棒性。

6. 自动锚框尺寸：

   • YOLOv4通过k-means聚类自动确定锚框的尺寸，而不是手动设置，这使得模型能够自动适应训练数据中的不同目标尺寸。这个方法最早在YOLOV2中使用。

7. 训练策略：

   • YOLOv4采用了包括大批量训练（Large Batch Training）和学习率预热（Learning Rate Warmup）在内的训练策略，这些策略有助于模型更快收敛并获得更好的性能。

8. 模型优化：

   • 论文中还提到了模型的优化，例如使用Mish激活函数代替传统的ReLU激活函数，以及使用DropBlock正则化减少过拟合。个人感觉这个方法其实和cutout数据增强方法很相似，本质上就是遮住图像的一大块，