讯享网

 <p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F0j00q9b2ap0011d200m800a3g00it008j.jpg&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　<strong>作者</strong><strong>| Amusi</strong><br/></p><p>　　<strong>编辑 | 丛 末</strong></p><p>　　今天刷屏的动态一定是 YOLOv4！</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F3cb3f26ep00q9b2ap0058d200u000nvg00it00ey.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　本文 Amusi 会跟大家说一下在别处看不到内容（大神接棒），欢迎继续阅读！</p><p>　　之前，YOLO系列(v1-v3)作者 Joe Redmon 宣布不再继续CV方向的研究，引起学术圈一篇哗然。：</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F17a26282p00q9b2aq001yd200ga00fag00ga00fa.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　推文链接：https://twitter.com/jeremyphoward/status/</p><p>　　Amusi 特意去谷歌学术上搜索了一下YOLOv1-v3的引用量，累计破16000+！</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F34d2e0e3p00q9b2aq004md200u000e3g00it008t.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　<strong>1</strong></p><p>　　<strong>大神接棒，YOLOv4来了！</strong></p><p>　　当大家以为再也见不到YOLOv4的时候，然鹅今天<strong>YOLOv4</strong>来了！</p><p>　　YOLOv4的作者阵容里并没有Joe Redmon，也验证了大神曾说不再继续CV研究的这条消息。但都木有YOLO之父Joe Redmon的论文，其名字为什么还敢叫YOLOv4呢，不怕被喷么？</p><p>　　这里Amusi 花点时间跟大家介绍一下这个有趣的事情。</p><p>　　先说说：大神接棒的事情</p><p>　　停更两年之久的的YOLO github官网正式更新 README，那么更新了什么呢？接着往下看</p><p>　　YOLO官网：https://github.com/pjreddie/darknet</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fd36344f5p00q9b2ar006wd200u000rjg00it00h9.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　YOLO官方github正式加入YOLOv4的论文和代码链接，也意味着YOLOv4得到了Joe Redmon的认可，也代表着YOLO的<strong>停更与交棒</strong>。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F62fda386p00q9b2ar004ud200u000igg00it00bk.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　关于YOLOv4，Amusi 曾写过这样一篇文章来<strong>预宣传</strong>（现在想想，应该是全网第一个这样介绍的）：</p><p>　　YOLOv4的一作是 Alexey Bochkovskiy，用过YOLO的同学，特别是用过Windows版YOLO的同学对这个名字一定很熟悉！</p><p>　　因为他就是darknet另一个github版本的维护者，也就是YOLOv4的代码库：<br/></p><p>　　https://github.com/AlexeyAB/darknet</p><p>　　据Amusi 猜测推断，Alexey Bochkovskiy 是一名独立研究员，这里更愿意称为之YOLO接棒者，YOLO社区推动者。这里对Alexey不过多赘述，想了解的同学可以看一下：。</p><p>　　值得一提的是，这个版本的darknet的提交数已经来到 1777 次。试想一下，你一天提交一次更新，那么就需要你连续近5年不停更！</p><p>　　我们一般只会用两个字来形容这种人：<strong>码怪</strong>！</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fd8238befp00q9b2ar004hd200u000hyg00it00b8.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　<strong>2</strong></p><p>　　<strong>YOLOv4 正文</strong></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F7dbc359bp00q9b2as0033d200u0006sg00it0048.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　论文：https://arxiv.org/abs/2004.10934<br/></p><p>　　代码：https://github.com/AlexeyAB/darknet</p><p>　　大家一定被文章开头的图片吸引了，位于图中靠右上角的YOLOv4 多么"亮眼"，越靠右上角意味着AP越高、速度FPS越快！而且YOLO被大家追捧的原因之一就是：快而准。</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F3cb3f26ep00q9b2ap0058d200u000nvg00it00ey.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　YOLOv4 在COCO上，可达43.5％ AP，速度高达 65 FPS！</p><p>　　YOLOv4的特点是集大成者，俗称堆料。但最终达到这么高的性能，一定是不断尝试、不断堆料、不断调参的结果，给作者点赞。下面看看堆了哪些料：</p><p>　　<strong>Weighted-Residual-Connections (WRC)</strong></p><p>　　<strong>Cross-Stage-Partial-connections (CSP)</strong></p><p>　　<strong>Cross mini-Batch Normalization (CmBN)</strong></p><p>　　<strong>Self-adversarial-training (SAT)</strong></p><p>　　<strong>Mish-activation</strong></p><p>　　<strong>Mosaic data augmentation</strong></p><p>　　<strong>CmBN</strong></p><p>　　<strong>DropBlock regularization</strong></p><p>　　<strong>CIoU loss</strong></p><p>　　本文的主要贡献如下：</p><p>　　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！）。</p><p>　　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。</p><p>　　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 具体如下图所示：</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fcba6d15ap00q9b2as004jd200u000e9g00it008x.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　对于GPU，作者在卷积层中使用：CSPResNeXt50 / CSPDarknet53</p><p>　　对于VPU，作者使用分组卷积，但避免使用（SE）块-具体来说，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3</p><p>　　作者的目标是在输入网络分辨率，卷积层数，参数数量和层输出（filters）的数量之间找到**平衡。文中称：CSPDarknet53在检测上的表现要优于CSPResNext50，关于CSP，不了解的同学可以看一下这篇文章：</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fc7e4f91bp00q9b2as002qd200u0005ng00it003j.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　总结一下YOLOv4框架：</p><p>　　<strong>Backbone：CSPDarknet53</strong></p><p>　　<strong>Neck：SPP，PAN</strong></p><p>　　<strong>Head：YOLOv3</strong></p><p>　　<strong>YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3</strong></p><p>　　其中YOLOv4用到相当多的技巧：</p><p>　　<strong>用于backbone的BoF：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing</strong></p><p>　　<strong>用于backbone的BoS：Mish激活函数，CSP，MiWRC</strong></p><p>　　<strong>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，**超参数，Random training shapes</strong></p><p>　　<strong>用于检测器的Bos：Mish激活函数，SPP，SAM，PAN，DIoU-NMS</strong></p><p>　　看看YOLOv4部分组件：</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Feap00q9b2at006td200mz00hkg00d800a3.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F91b12f2dp00q9b2at002ud200io00n9g00cv00g0.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　感受一下YOLOv4实验的充分性（调参的艺术）</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F1d8bac99p00q9b2au0025d200jt00cfg00dx008q.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fap00q9b2au0046d200s900gig00ec008d.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　感受一下性能炸裂的YOLOv4实验结果</p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F08a8b3ebp00q9b2au0088d200u000o9g00it00f7.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Ffcd4cb58p00q9b2av00pgd200u0012qg00it00o9.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2F881efa6cp00q9b2aw00p9d200u0013eg00it00oo.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p class="f_center"><img src="https://nimg.ws.126.net/?url=http%3A%2F%2Fdingyue.ws.126.net%2F2020%2F0425%2Fe03f3083p00q9b2aw00k7d200u000w6g00it00k5.png&thumbnail=660x&quality=80&type=jpg"/><br/></p><p>　　论文篇幅很长，高达17页，干货满满！推荐大家阅读原文和源码进行深入理解。</p><p>　　<strong>跟我一起喊：大神接棒，YOLOv4 来了！</strong></p><p>　　<strong>AI 科技评论系列直播</strong><br/></p><p>　　<strong>1、</strong><strong>ACL 2020 - 复旦大学系列解读</strong></p><p>　　<strong>直播主题：不同粒度的抽取式文本摘要系统</strong></p><p>　　主讲人：王丹青、钟鸣</p><p>　　直播时间：4月 25 日，（周一晚） 20：00整。</p><p>　　<strong>直播主题：结合词典的中文命名实体识别【ACL 2020 - 复旦大学系列解读之（二）】</strong></p><p>　　主讲人：马若恬, 李孝男</p><p>　　直播时间：4月 26 日，（周一晚） 20：00整。</p><p>　　<strong>直播主题：ACL 2020 | 基于对抗样本的依存句法模型鲁棒性分析</strong></p><p>　　<strong>【ACL 2020 - 复旦大学系列解读之（三）】</strong></p><p>　　主讲人：曾捷航</p><p>　　直播时间：4月 27 日，（周一晚） 20：00整。</p><p>　　<strong>2、ICLR 2020 系列直播</strong></p><p>　　<strong>直播主题：ICLR 2020丨Action Semantics Network: Considering the Effects of Actions in Multiagent Systems</strong></p><p>　　主讲人：王维埙</p><p>　　回放链接：http://mooc.yanxishe.com/open/course/793</p><p>　　<strong>直播主题：ICLR 2020丨通过负采样从专家数据中学习自我纠正的策略和价值函数</strong></p><p>　　主讲人：罗雨屏</p><p>　　回放链接：http://mooc.yanxishe.com/open/course/802（回放时间：4月25日上午10点）</p><p>　　<strong>直播主题：ICLR 2020丨分段线性激活函数塑造了神经网络损失曲面</strong></p><p>　　主讲人：何凤翔</p><p>　　直播时间：4月24日 （周五晚） 20:00整</p>