YOLOv4团队开源最新力作！1774fps、COCO最高精度，分别适合高低端GPU的YOLO( 三 ) 本文是YOLOv4的原班人马（包含

作者通过实验发现：YOLOv4-P6(宽度缩放因子1)可以达到30fps的实时处理性能；YOLOv4-P7(宽度缩放因子1.25)可以达到15fps的处理速度。
4 实验
作者在MSCOCO-2017数据集上验证了所提Scaled-YOLOv4的性能，作者提到并未采用ImageNet进行预训练，所有YOLOv4模型均从头开始训练。
YOLOv4-tiny的训练了600epoch；YOLOv4CSP训练了300epoch；YOLOv4-large先训练了300epoch ，然后采用更强的数据增广技术训练了150epoch 。其他训练相关的超参作者采用k-mean与遗传算法决定。
在CSP-ized模型上的消融研究
作者首先针对CSP-ized模型进行了消融实验分析，结果见下表。作者从参数量、计算量、处理流程以及平均精度方面进行了CSP-ization的影响性分析。
作者采用Darknet53作为骨干网络，选择FPN+SPP与PAN+SPP作为neck进行消融分析。
作者同时还采用了LeakyReLU与Mish进行对比分析：
文章插图
从上表可以看到：CSP-ized模型可以极大的降低参数量与计算量达32% ，同时带来性能上的提升；同时还可以看到：CD53s-CFPNSPP-Mish、CD53s-CPANSPP-Leaky与D53-FPNSPP-Leaky相同的推理速度，但具有更高的指标（分别搞1%和1.6%AP），且具有更低的计算量。
在YOLOv4-tiny上的消融研究接下来，我们将通过实验来证实：CSPNet+partial的灵活性。
作者将其与CSP-Darknet53进行了对比，结果见下表：
文章插图
从上表可以看到：所设计的PCB技术可以使模型更具灵活性，因为它可以更具实际需要进行结构调整。同时也证实：线性缩放方式的局限性。
作者最终选择COSA-2x2x作为YOLOv4-tiny ，因其取得最佳的精度-速度均衡。
目标检测的Scaled-YOLOv4
文章插图
上图给出了本文所提Scaled-YOLOv4与其他SOTA目标检测方法的对比，可以看到：所提方法在不同约束下均取得了最佳的均衡。比如， YOLOv4-CSP与EfficientDet-D3具有相同的精度，但具有更开的推理速度(1.9倍)；YOLOv4-P5与EfficientDet-D5具有相同的精度，推理速度则快2.9倍。
类似现象可见：YOLOv4-P6 vs EfficientDet-D7 ，YOLOv4-P7 vs EfficientDet-D7x 。更重要的是：所有Scaled-YOLOv4均达到了SOTA结果。
与此同时，作者还给出了添加TTA后的YOLOv4-large性能，可以看到分别可以得到1.1% ， 0.6%与0.4%AP的指标提升。
文章插图
作者还对比了YOLOv4-tiny与其他tiny目标检测器的性能对比，见下表。
可以看到：YOLOv4-tiny取得了最佳的性能。
文章插图
最后，作者在不同的嵌入式GPU上测试了YOLOv4-tiny的性能，见下图。可以看到：无论哪种硬件平台下， YOLOv4-tiny均可以达到实时性。
经过TensorRT FP16优化后的YOLOv40tiny最高可以达到1774fps的推理速度。
文章插图
最后附上YOLO系列相关论文：1. YOLOv1:
2. YOLO 9000:
3. YOLO v3:
4. YOLO-Lite:
5. Gaussian YOLOv3:
6. REQ-YOLO:
7. xYOLO:
8. YOLO-Nano:
9. CSPNet：
10. YOLO v4:
11. Poly-YOLO:
【YOLOv4团队开源最新力作！1774fps、COCO最高精度，分别适合高低端GPU的YOLO】12. PP-YOLO:
文章插图
文章插图