一. Yolo演化史
Faster RCNN诞生以后,目标检测准确度得到保证,但是two-stage的方式存在天然的效率缺陷,SSD和Yolo填补了这一空白,Yolo一共经历了4个版本。
模型 | 数据增强/训练 | Backbone | 网络特征层 | 性能对比 | 备注 |
---|---|---|---|---|---|
Yolo v1 | Lenet - maxPooling | 每个点支持2个box | |||
Yolo v2 | -随机裁剪、旋转 -色调、饱和度、曝光偏移 -混合训练集策略(coco + imagenet) -多尺度训练 -对Anchor Box维度聚类 | Darknet19 -增加BN层、去dropout - 去掉FC层 - AvrgPooling
|
-增加Anchor,支持K个box | 19.7 mAP | 【参考】 |
Yolo v3 | Darknet53 - No Pooling - No全链接 - BN+LeakyRelu - 残差设计
| -FPN,多个layer融合 -softmax->logistic | 31.0 mAP | ||
Yolo v4 | 新的数据增强方法 -Cutout -MixUp -CutMix | CSPDarknet53
| -新的激活 Swish, or Mish -DropBlock正则化 -SPP+PAN特征增强
| 43 mAP | Backbone: CSPDarknet53 Neck: SPP, PAN Head: YOLOv3 |
- Yolov1网络结构图(24个卷积层,2个全链接层):
- Yolov2网络结构图:
- Yolov3网络结构图:
二. Yolov4的核心特征
整体下来,以工程为主,