大神接棒，YOLOv4来了！

2020 年 4 月 24 日 AI科技评论

作者 | Amusi

编辑 | 丛末

今天刷屏的动态一定是 YOLOv4！

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！

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。YOLO之父宣布退出CV界，坦言无法忽视自己工作带来的负面影响：

推文链接：https://twitter.com/jeremyphoward/status/1230610470991589376

Amusi 特意去谷歌学术上搜索了一下YOLOv1-v3的引用量，累计破16000+！

大神接棒，YOLOv4来了！

当大家以为再也见不到YOLOv4的时候，然鹅今天 YOLOv4 来了！

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？

这里Amusi 花点时间跟大家介绍一下这个有趣的事情。

先说说：大神接棒的事情

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

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

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的停更与交棒。

关于YOLOv4，Amusi 曾写过这样一篇文章来预宣传（现在想想，应该是全网第一个这样介绍的）：等待YOLOv4的期间，它还在更新

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！

因为他就是darknet另一个github版本的维护者，也就是YOLOv4的代码库：

https://github.com/AlexeyAB/darknet

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：等待YOLOv4的期间，它还在更新。

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！

我们一般只会用两个字来形容这种人：码怪！

YOLOv4 正文

论文：https://arxiv.org/abs/2004.10934

代码：https://github.com/AlexeyAB/darknet

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。

YOLOv4 在COCO上，可达43.5％ AP，速度高达 65 FPS！

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：

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 具体如下图所示：

对于GPU，作者在卷积层中使用：CSPResNeXt50 / CSPDarknet53
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

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）的数量之间找到最佳平衡。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：《增强CNN学习能力的Backbone:CSPNet 》

总结一下YOLOv4框架：

YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3

其中YOLOv4用到相当多的技巧：

用于backbone的BoF：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing
用于backbone的BoS：Mish激活函数，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激活函数，SPP，SAM，PAN，DIoU-NMS