YoloV4模型解析及TensorRT加速
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** 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，