YOLOv4 : détection d'objets haute vitesse et précise

Bienvenue sur la page de documentation Ultralytics pour YOLOv4, un détecteur d'objets en temps réel de pointe lancé en 2020 par Alexey Bochkovskiy sur https://github.com/AlexeyAB/darknet. YOLOv4 est conçu pour offrir l'équilibre optimal entre vitesse et précision, ce qui en fait un excellent choix pour de nombreuses applications.

Diagramme de l'architecture YOLOv4. Présentation de la conception complexe du réseau YOLOv4, incluant les composants backbone, neck et head, ainsi que leurs couches interconnectées pour une détection d'objets en temps réel optimale.

Introduction

YOLOv4 signifie You Only Look Once version 4. Il s'agit d'un modèle de détection d'objets en temps réel développé pour répondre aux limitations des versions YOLO précédentes comme YOLOv3 et d'autres modèles de détection d'objets. Contrairement à d'autres réseaux de neurones convolutifs (CNN) basés sur la détection d'objets, YOLOv4 est non seulement applicable aux systèmes de recommandation mais aussi à la gestion autonome de processus et à la réduction de l'intervention humaine. Son fonctionnement sur des unités de traitement graphique (GPU) classiques permet une utilisation massive à un prix abordable, et il est conçu pour fonctionner en temps réel sur un GPU classique tout en nécessitant un seul GPU pour l'entraînement.

Architecture

YOLOv4 utilise plusieurs fonctionnalités innovantes qui travaillent ensemble pour optimiser ses performances. Celles-ci incluent les Weighted-Residual-Connections (WRC), les Cross-Stage-Partial-connections (CSP), la Batch Normalization croisée (CmBN), le Self-adversarial-training (SAT), l'activation Mish, le data augmentationMosaicrégularisation, le DropBlock et la perte CIoU. Ces fonctionnalités sont combinées pour obtenir des résultats de pointe.

Un détecteur d'objets typique est composé de plusieurs parties, notamment l'entrée, le backbone, le neck et le head. Le backbone de YOLOv4 est pré-entraîné sur ImageNet et est utilisé pour prédire les classes et les bounding boxes des objets. Le backbone peut provenir de plusieurs modèles, notamment VGG, ResNet, ResNeXt ou DenseNet. La partie neck du détecteur est utilisée pour collecter des feature maps à partir de différents stades et inclut généralement plusieurs chemins ascendants et descendants. La partie head est utilisée pour effectuer les détections et classifications finales d'objets.

Bag of Freebies

YOLOv4 utilise également des méthodes appelées « bag of freebies », qui sont des techniques améliorant la accuracy du modèle pendant l'entraînement sans augmenter le coût d'inférence. La data augmentation est une technique courante de bag of freebies utilisée dans object detection, qui augmente la variabilité des images d'entrée pour améliorer la robustesse du modèle. Quelques exemples de data augmentation incluent les distorsions photométriques (ajustement de la luminosité, du contraste, de la teinte, de la saturation et du bruit d'une image) et les distorsions géométriques (ajout de mise à l'échelle, recadrage, retournement et rotation aléatoires). Ces techniques aident le modèle à mieux généraliser sur différents types d'images.

Fonctionnalités et performances

YOLOv4 est conçu pour une vitesse et une précision optimales dans la détection d'objets. L'architecture de YOLOv4 comprend CSPDarknet53 comme backbone, PANet comme neck, et YOLOv3 comme detection head. Cette conception permet à YOLOv4 d'effectuer la détection d'objets à une vitesse impressionnante, le rendant adapté aux applications en temps réel. YOLOv4 excelle également en précision, atteignant des résultats de pointe dans les benchmarks de détection d'objets comme COCO.

Lorsqu'il est comparé à d'autres modèles de la famille YOLO, tels que YOLOv5 et en YOLOv7, YOLOv4 maintient une position solide dans l'équilibre entre vitesse et précision. Bien que des modèles plus récents puissent offrir certains avantages, les innovations architecturales de YOLOv4 continuent de le rendre pertinent pour de nombreuses applications nécessitant des performances en temps réel.

Exemples d'utilisation

YOLOv4 est un modèle basé sur Darknet et n'est pas supporté nativement par le package Python Ultralytics : il n'y a pas de yolov4.pt poids pré-entraînés publiés sur ultralytics/assets et pas de ultralytics/cfg/models/v4/ YAMLs. Cette page est conservée comme référence architecturale. Les utilisateurs souhaitant exécuter YOLOv4 doivent se référer directement au dépôt GitHub de YOLOv4 pour les instructions d'installation et d'utilisation.

Voici un bref aperçu des étapes typiques que tu pourrais suivre pour utiliser YOLOv4 :

1. Visite le dépôt GitHub de YOLOv4 : https://github.com/AlexeyAB/darknet.

2. Suis les instructions fournies dans le fichier README pour l'installation. Cela implique généralement le clonage du dépôt, l'installation des dépendances nécessaires et la configuration de toutes les variables d'environnement requises.

3. Une fois l'installation terminée, tu peux entraîner et utiliser le modèle selon les instructions d'utilisation fournies dans le dépôt. Cela implique généralement la préparation de ton jeu de données, la configuration des paramètres du modèle, l'entraînement du modèle, puis l'utilisation du modèle entraîné pour effectuer la détection d'objets.

Veuillez noter que les étapes spécifiques peuvent varier en fonction de ton cas d'utilisation particulier et de l'état actuel du dépôt YOLOv4. Par conséquent, il est fortement recommandé de se référer directement aux instructions fournies dans le dépôt GitHub de YOLOv4.

Pour l'entraînement et l'inférence au sein du framework Ultralytics, voir YOLO11 ou YOLO26.

Conclusion

YOLOv4 est un modèle de détection d'objets puissant et efficace qui trouve un équilibre entre vitesse et précision. Son utilisation de fonctionnalités uniques et de techniques de bag of freebies pendant l'entraînement lui permet d'exceller dans les tâches de détection d'objets en temps réel. YOLOv4 peut être entraîné et utilisé par quiconque disposant d'un GPU classique, ce qui le rend accessible et pratique pour un large éventail d'applications, notamment systèmes de surveillance, véhicules autonomes, et la l'automatisation industrielle.

Pour ceux qui cherchent à implémenter la détection d'objets dans leurs projets, YOLOv4 reste un candidat solide, surtout lorsque les performances en temps réel sont une priorité. Bien qu'Ultralytics se concentre actuellement sur le support des versions YOLO plus récentes comme YOLO11 et en YOLO26, les innovations architecturales introduites dans YOLOv4 ont influencé le développement de ces modèles ultérieurs.

Citations et remerciements

Nous tenons à remercier les auteurs de YOLOv4 pour leurs contributions significatives dans le domaine de la détection d'objets en temps réel :

@misc{bochkovskiy2020yolov4,
      title={YOLOv4: Optimal Speed and Accuracy of Object Detection},
      author={Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
      year={2020},
      eprint={2004.10934},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

L'article original sur YOLOv4 peut être trouvé sur arXiv. Les auteurs ont rendu leur travail publiquement disponible, et le codebase est accessible sur GitHub. Nous apprécions leurs efforts pour faire progresser le domaine et rendre leur travail accessible à la communauté au sens large.

FAQ

Qu'est-ce que YOLOv4 et pourquoi devrais-je l'utiliser pour object detection?

YOLOv4, qui signifie « You Only Look Once version 4 », est un modèle de détection d'objets en temps réel de pointe développé par Alexey Bochkovskiy en 2020. Il atteint un équilibre optimal entre vitesse et accuracy, le rendant hautement adapté aux applications en temps réel. L'architecture de YOLOv4 intègre plusieurs fonctionnalités innovantes comme les Weighted-Residual-Connections (WRC), les Cross-Stage-Partial-connections (CSP) et le Self-adversarial-training (SAT), entre autres, pour obtenir des résultats de pointe. Si tu recherches un modèle haute performance qui fonctionne efficacement sur des GPU classiques, YOLOv4 est un excellent choix.

Comment l'architecture de YOLOv4 améliore-t-elle ses performances ?

L'architecture de YOLOv4 comprend plusieurs composants clés : le backbone, le neck et le head. Le backbone, qui peut être constitué de modèles comme VGG, ResNet ou CSPDarknet53, est pré-entraîné pour prédire les classes et les boîtes englobantes. Le neck, utilisant PANet, connecte les feature maps issus de différents stades pour une extraction complète des données. Enfin, le head, qui utilise des configurations issues de YOLOv3, effectue les détections d'objets finales. YOLOv4 emploie également des techniques de « bag of freebies » comme la data augmentation mosaïque et la régularisation DropBlock, optimisant encore davantage sa vitesse et sa précision.

Qu'est-ce que les « bag of freebies » dans le contexte de YOLOv4 ?

« Bag of freebies » fait référence aux méthodes qui améliorent la précision d'entraînement de YOLOv4 sans augmenter le coût d'inférence. Ces techniques incluent diverses formes de data augmentation comme les distorsions photométriques (ajustement de la luminosité, du contraste, etc.) et les distorsions géométriques (mise à l'échelle, recadrage, retournement, rotation). En augmentant la variabilité des images d'entrée, ces augmentations aident YOLOv4 à mieux généraliser sur différents types d'images, améliorant ainsi sa robustesse et sa précision sans compromettre ses performances en temps réel.

Pourquoi YOLOv4 est-il considéré comme adapté à la détection d'objets en temps réel sur des GPU classiques ?

YOLOv4 est conçu pour optimiser à la fois la vitesse et la précision, ce qui le rend idéal pour les tâches de détection d'objets en temps réel nécessitant des performances rapides et fiables. Il fonctionne efficacement sur des GPU classiques, n'en nécessitant qu'un seul à la fois pour l'entraînement et l'inférence. Cela le rend accessible et pratique pour diverses applications allant des systèmes de recommandation à la gestion autonome de processus, réduisant ainsi le besoin de configurations matérielles étendues et en faisant une solution rentable pour la détection d'objets en temps réel.

Comment puis-je commencer avec YOLOv4 si Ultralytics ne le supporte pas actuellement ?

Pour commencer avec YOLOv4, tu devrais visiter le dépôt GitHub de YOLOv4 officiel. Suis les instructions d'installation fournies dans le fichier README, qui incluent généralement le clonage du dépôt, l'installation des dépendances et la configuration des variables d'environnement. Une fois installé, tu peux entraîner le modèle en préparant ton jeu de données, en configurant les paramètres du modèle et en suivant les instructions d'utilisation fournies. Comme Ultralytics ne supporte pas actuellement YOLOv4, il est recommandé de se référer directement au GitHub de YOLOv4 pour obtenir les conseils les plus récents et détaillés.