yolov4和yolov5(yolov4的工业化)

yolov4优化的部分

1Bag of freebies

随着后期硬件越来越好，我们可以采用训练成本高点但是效果好点的方式了。例如之前我们采用RELU激活函数，现在改成了Mish

2 数据增强

我们把四张图片的四个部分加一块变成一个图片然后去检测，或者把一个图片的部分马赛克遮住，然后去检测，这样也就是去增加难度，如果这样都可以识别出，那么正常肯定也能。

相比于传统的Dropout技术，DropBlock不是随机屏蔽掉一部分特征（注意是对特征图进行屏蔽），而是随机屏蔽掉多个部分连续的区域。这种方法有助于减少神经网络中的冗余连接，从而提高模型的泛化能力。

3 平滑处理

4 IOU损失值优化

总而言之就是，我们的IOU在值相同的情况下找出最优的那种情况，优化检测速度。引进了一个IOU的损失函数。

5 非极大值抑制的改进

6 网络结构的改进

a SPP-Net

b CSPNETc 注意力机制

7 路由层优化

网络架构

总结

相对于yolov3

1 Bag of freebies 增加训练成本来提高效果

2 数据增强 对图片进行模糊处理，进行打马赛克，不同图片拼接

3 平滑处理 对每一个类别不绝对化，归一化处理例如（1，0）改成（0.95，0.05）

4 IOU损失优化 就是原本是直接对IOU值进行求损失值，现在加上一个IOU框的中心点距离的损失

5 非极大值抑制 当两个目标重合度比较高，这个时候要优化非极大值抑制才能检测到后面的那一个目标

6 网络结构的的改进 使得输入的图片大小不再限制，并且增强了模型的效果，并采用了注意力机制，降低检测难度并且更快了

7 路由层优化 从前面的直接拼接该成相加

8 激活函数优化 就是从luck_ReLU该成了Mish.