论文pdf请在公众号【计算机视觉联盟】后台回复【20201118】获取

摘要：

我们证明了基于CSP方法的YOLOv4目标检测神经网络，可以上下缩放，适用于小型和大型网络，同时保持最佳的速度和精度。我们提出了一种网络缩放方法，它不仅可以修改网络的深度、宽度、分辨率，还可以修改网络的结构。YOLOv4 large模型达到了最先进的结果：在Tesla V100上，MS COCO数据集以15 FPS的速度获得55.4%的AP（73.3%的AP50），而随着测试时间的增加，YOLOv4 large达到55.8%的AP（73.2 AP50）。据我们所知，这是目前在COCO数据集上的最高精确度。YOLOv4 tiny模型在RTX 2080Ti上以443 FPS的速度实现22.0%的AP（42.0%的AP50），而通过使用TensorRT、批量大小=4和FP16精度，YOLOv4 tiny达到1774 FPS。

感受：

通过摘要，我们觉得这篇文章值得一读！

 

本文第4章的代码相关内容：

YOLOv4-CSP: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-csp
YOLOv4-tiny: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-tiny
YOLOv4-large: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-large

本文的更新

Scaled-YOLOv4：

https://github.com/WongKinYiu/ScaledYOLOv4

 

 

整体总结贡献内容：

【1】网络扩展提升性能同时降低内存占用

【2】通过策略扩大检测

【3】对模型进行扩展通过相关性内容

【4】设计了高校的模型

 

Scaled-YOLOv4的内容：

CSP-ized YOLOv4

YOLOv4-tiny

YOLOv4-large

 

 

对比结果