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Bag-of-Specials方法的影响。
3. 改进了SOTA的方法，使它们更有效，更适合单GPU训练，包括CBN [89]，PAN [49]，SAM [85]等。文章将目前主流的目标检测器框架进行拆分：input、backbone、neck 和 head
总结一下YOLOv4框架：
-
Backbone：CSPDarknet53
-
Neck：SPP，PAN
-
Head：YOLOv3
关于CSPNet的理解可以参考 https://zhuanlan.zhihu.com/p/101909017
其中YOLOv4用到相当多的技巧：
-
用于backbone的BoF（bag of freebies）：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing
-
用于backbone的BoS（bag of specials）：Mish**函数，CSP，MiWRC
-
用于检测器的BoF：CIoU-loss，CmBN，DropBlock正则化，Mosaic数据增强，Self-Adversarial 训练，消除网格敏感性，对单个ground-truth使用多个anchor，Cosine annealing scheduler，最佳超参数，Random training shapes
-
用于检测器的Bos：Mish**函数，SPP，SAM，PAN，DIoU-NMS
看看YOLOv4部分组件：
从论文中的参数调节、不同实验的对比就可以证明作者的厉害
参考：https://zhuanlan.zhihu.com/p/135980432