文章目录一：YOLO_v4的出现二：yolov4的创新点三：输入端【数据增强Mosaic】【SAT自对抗训练】【cmBN】[LabelSmoothing]四：BackBone【CSPDarknet53】【Mish激活函数】【Dropblock】五：Neck【SPP】【PAN】【SAM】六：Head【loss创新】【NMS创新】【SOFT-NMS】七：总结一：YOLO_v4的出现其实YOLO系列的原作者，推出YOLO_v3后就退隐江湖了，主要由于老美利用该技术来进行军事打击，十分令作者寒心。但奈何，还是有后继者提出了YOLO_v4系列，别说，一出现，又一次横扫世间。作者AlexeyAB大神！YO
YOLOV1YOLOV1最后生成7×7的网格(gridcell)，每个gridcell会产生两个预测框(boundingbox)，每个gridcell产生的两个预测框只能预测同一种类物体，也就是说YOLOV1最多只能预测49种物体，两个预测框中哪一个与标注框的IOU大就选哪一个(此即正样本)，另外一个会被舍弃(负样本)；特殊情况(如果有两个相同种类的物体中心点都落在同一个gridcell中，此时这个gridcell的两个预测框有可能都与真实框有最大的IOU，也即两个预测框都为正样本，这也就是说YOLOV1最多能预测49×2个目标)。如果标注框的中心点落在哪一个gridcell中就由这个grid
YOLOV1YOLOV1最后生成7×7的网格(gridcell)，每个gridcell会产生两个预测框(boundingbox)，每个gridcell产生的两个预测框只能预测同一种类物体，也就是说YOLOV1最多只能预测49种物体，两个预测框中哪一个与标注框的IOU大就选哪一个(此即正样本)，另外一个会被舍弃(负样本)；特殊情况(如果有两个相同种类的物体中心点都落在同一个gridcell中，此时这个gridcell的两个预测框有可能都与真实框有最大的IOU，也即两个预测框都为正样本，这也就是说YOLOV1最多能预测49×2个目标)。如果标注框的中心点落在哪一个gridcell中就由这个grid
在深度学习中，第一步要做的往往就是处理数据集,尤其是学习百度飞桨PaddlePaddle的小伙伴，数据集经常要用Voc格式的，比如性能突出的ppyolo等模型。所以学会数据集转化的本领是十分必要的。这篇博客就带你一起进行Yolo与Voc格式的相互转化，附详细代码！文章目录YOLO数据集介绍VOC数据集介绍Yolo转VOCVOC转Yolofromlxmlimportetreeclasses=["ball"]YOLO数据集介绍Yolo数据集主要是txt文件，一般包括train文件夹和val文件夹，每一个文件夹下有与图片同名的txt文件，基本结构如下：|–image||–train||–val|–l
在深度学习中，第一步要做的往往就是处理数据集,尤其是学习百度飞桨PaddlePaddle的小伙伴，数据集经常要用Voc格式的，比如性能突出的ppyolo等模型。所以学会数据集转化的本领是十分必要的。这篇博客就带你一起进行Yolo与Voc格式的相互转化，附详细代码！文章目录YOLO数据集介绍VOC数据集介绍Yolo转VOCVOC转Yolofromlxmlimportetreeclasses=["ball"]YOLO数据集介绍Yolo数据集主要是txt文件，一般包括train文件夹和val文件夹，每一个文件夹下有与图片同名的txt文件，基本结构如下：|–image||–train||–val|–l
目录0前言（用处不大，可以直接看解决办法）1产生问题的原因2解决办法YOLOV5YOLOV72小结☆这个问题是GTX16xx用户的大坑，基本上每个GTX16xx用户使用YOLO系列算法，都会遇到这些问题。这个方法是不彻底的解决办法，牺牲了训练的时间来换取问题的解决，经过本人在GTX1660TI笔记本上测试YOLOV5和YOLOV7算法均成功解决了。0前言（用处不大，可以直接看解决办法）最近正在做目标检测相关的算法，因为要求实时性要很高，所以选择了YOLO系列算法。最先开始选择的是刚出炉新鲜的YOLOV7算法，训练时没有问题，但是在最终测试时，发现检测不出来任何的bbox，开始以为是没有训练好，
目录0前言（用处不大，可以直接看解决办法）1产生问题的原因2解决办法YOLOV5YOLOV72小结☆这个问题是GTX16xx用户的大坑，基本上每个GTX16xx用户使用YOLO系列算法，都会遇到这些问题。这个方法是不彻底的解决办法，牺牲了训练的时间来换取问题的解决，经过本人在GTX1660TI笔记本上测试YOLOV5和YOLOV7算法均成功解决了。0前言（用处不大，可以直接看解决办法）最近正在做目标检测相关的算法，因为要求实时性要很高，所以选择了YOLO系列算法。最先开始选择的是刚出炉新鲜的YOLOV7算法，训练时没有问题，但是在最终测试时，发现检测不出来任何的bbox，开始以为是没有训练好，
1.数据读取 首先读取图片以及标签路径，并将标签存入缓存，对单标签情况、特定类别、以及是否保持长方形等情况分别进行处理。 如果需要进行mosaic 数据增强，首先找到中心点，将图片分别放置于四个位置，进行裁剪或者拼接以适应，并对labels进行调整。同时，对进行过mosaic数据增强过的图像，再进行copy_paste数据增强和旋转、平移、缩放数据增强。 同时，还可以进行其他数据增强方式，比如mixup,hsv等 代码如下：classLoadImagesAndLabels(Dataset):#YOLOv5train_loader/val_loader,loadsim
1.数据读取 首先读取图片以及标签路径，并将标签存入缓存，对单标签情况、特定类别、以及是否保持长方形等情况分别进行处理。 如果需要进行mosaic 数据增强，首先找到中心点，将图片分别放置于四个位置，进行裁剪或者拼接以适应，并对labels进行调整。同时，对进行过mosaic数据增强过的图像，再进行copy_paste数据增强和旋转、平移、缩放数据增强。 同时，还可以进行其他数据增强方式，比如mixup,hsv等 代码如下：classLoadImagesAndLabels(Dataset):#YOLOv5train_loader/val_loader,loadsim
文章首发于我的github仓库-cv算法工程师成长之路，欢迎关注我的公众号-嵌入式视觉。本人水平有限，文章如有问题，欢迎及时指出。如果看完文章有所收获，一定要先点赞后收藏。毕竟，赠人玫瑰，手有余香。一，ScaledYOLOv4摘要1，介绍2，相关工作2.1，模型缩放3，模型缩放原则3.1，模型缩放的常规原则3.2，为低端设备缩放的tiny模型3.3，为高端设备缩放的Large模型4，Scaled-YOLOv44.1，CSP-izedYOLOv44.2，YOLOv4-tiny4.3，YOLOv4-large5，实验总结Reference参考资料一，ScaledYOLOv4ScaledYOLOv4
