大神接棒，YOLOv4來了！

作者| Amusi

編輯 | 叢末

今天刷屏的動態一定是 YOLOv4！

本文 Amusi 會跟大家說一下在別處看不到內容（大神接棒），歡迎繼續閱讀！

之前，YOLO系列(v1-v3)作者 Joe Redmon 宣佈不再繼續CV方向的研究，引起學術圈一篇譁然。YOLO之父宣佈退出CV界，坦言無法忽視自己工作帶來的負面影響：

推文連結：https://twitter.com/jeremyphoward/status/1230610470991589376

Amusi 特意去谷歌學術上搜索了一下YOLOv1-v3的引用量，累計破16000+！

大神接棒，YOLOv4來了！

當大家以為再也見不到YOLOv4的時候，然鵝今天YOLOv4來了！

YOLOv4的作者陣容裡並沒有Joe Redmon，也驗證了大神曾說不再繼續CV研究的這條訊息。但都木有YOLO之父Joe Redmon的論文，其名字為什麼還敢叫YOLOv4呢，不怕被噴麼？

這裡Amusi 花點時間跟大家介紹一下這個有趣的事情。

先說說：大神接棒的事情

停更兩年之久的的YOLO github官網正式更新 README，那麼更新了什麼呢？接著往下看

YOLO官網：https://github.com/pjreddie/darknet

YOLO官方github正式加入YOLOv4的論文和程式碼連結，也意味著YOLOv4得到了Joe Redmon的認可，也代表著YOLO的停更與交棒。

關於YOLOv4，Amusi 曾寫過這樣一篇文章來預宣傳（現在想想，應該是全網第一個這樣介紹的）：等待YOLOv4的期間，它還在更新

YOLOv4的一作是 Alexey Bochkovskiy，用過YOLO的同學，特別是用過Windows版YOLO的同學對這個名字一定很熟悉！

因為他就是darknet另一個github版本的維護者，也就是YOLOv4的程式碼庫：

https://github.com/AlexeyAB/darknet

據Amusi 猜測推斷，Alexey Bochkovskiy 是一名獨立研究員，這裡更願意稱為之YOLO接棒者，YOLO社群推動者。這裡對Alexey不過多贅述，想了解的同學可以看一下：等待YOLOv4的期間，它還在更新。

值得一提的是，這個版本的darknet的提交數已經來到 1777 次。試想一下，你一天提交一次更新，那麼就需要你連續近5年不停更！

我們一般只會用兩個字來形容這種人：碼怪！

YOLOv4 正文

論文：https://arxiv.org/abs/2004.10934

程式碼：https://github.com/AlexeyAB/darknet

大家一定被文章開頭的圖片吸引了，位於圖中靠右上角的YOLOv4 多麼"亮眼"，越靠右上角意味著AP越高、速度FPS越快！而且YOLO被大家追捧的原因之一就是：快而準。

YOLOv4 在COCO上，可達43.5％ AP，速度高達 65 FPS！

YOLOv4的特點是集大成者，俗稱堆料。但最終達到這麼高的效能，一定是不斷嘗試、不斷堆料、不斷調參的結果，給作者點贊。下面看看堆了哪些料：

本文的主要貢獻如下：

1. 提出了一種高效而強大的目標檢測模型。它使每個人都可以使用1080 Ti或2080 Ti GPU 訓練超快速和準確的目標檢測器（牛逼！）。

2. 在檢測器訓練期間，驗證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。

3. 改進了SOTA的方法，使它們更有效，更適合單GPU訓練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標檢測器框架進行拆分：input、backbone、neck 和 head具體如下圖所示：

對於GPU，作者在卷積層中使用：CSPResNeXt50 / CSPDarknet53
對於VPU，作者使用分組卷積，但避免使用（SE）塊-具體來說，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目標是在輸入網路解析度，卷積層數，引數數量和層輸出（filters）的數量之間找到最佳平衡。文中稱：CSPDarknet53在檢測上的表現要優於CSPResNext50，關於CSP，不瞭解的同學可以看一下這篇文章：《增強CNN學習能力的Backbone:CSPNet 》

總結一下YOLOv4框架：

YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3

其中YOLOv4用到相當多的技巧：

用於backbone的BoF：CutMix和Mosaic資料增強，DropBlock正則化，Class label smoothing
用於backbone的BoS：Mish啟用函式，CSP，MiWRC
用於檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic資料增強，Self-Adversarial 訓練，消除網格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超引數，Random training shapes
用於檢測器的Bos：Mish啟用函式，SPP，SAM，PAN，DIoU-NMS