YOLOv4: быстрое и точное обнаружение объектов
YOLOv4 — детектор объектов для работы в реальном времени, выпущенный в 2020 году Алексеем Бочковским, Чиен-Яо Вангом и Хун-Юанем Ляо в репозитории AlexeyAB/darknet. Модель создана для оптимального баланса скорости и точности.
Схема архитектуры YOLOv4. На схеме показаны компоненты базовой сети, шейной части и головы YOLOv4, а также связи между их слоями.
Введение#
YOLOv4 означает You Only Look Once, версия 4. Это модель обнаружения объектов в реальном времени, созданная для устранения недостатков предыдущих версий YOLO, таких как YOLOv3, и других моделей обнаружения объектов. Большинство более ранних детекторов на основе свёрточных нейронных сетей (CNN) были практически пригодны только для рекомендательных систем; точность YOLOv4 в реальном времени также подходит для автономного управления процессами и сокращения участия человека. Модель работает в реальном времени на обычном графическом процессоре (GPU), а для обучения ей нужен всего один такой GPU, что делает её доступной для широкого применения.
Архитектура#
В YOLOv4 объединено несколько методов для повышения производительности. К ним относятся взвешенные остаточные связи (WRC), частичные связи между стадиями (CSP), сквозная мини-пакетная нормализация (CmBN), состязательное обучение с самой собой (SAT), активация Mish, мозаичное расширение данных, регуляризация DropBlock и функция потерь CIoU. Вместе эти методы повышают точность, сохраняя высокую скорость инференса.
Типичный детектор объектов состоит из нескольких частей: входного слоя, базовой сети, шейной части и головы. Базовая сеть предварительно обучается на ImageNet и извлекает признаки из входного изображения. К распространённым базовым сетям детекторов относятся VGG, ResNet, ResNeXt и DenseNet; в YOLOv4 используется CSPDarknet53. Шейная часть детектора собирает карты признаков с разных этапов и обычно включает несколько восходящих и нисходящих путей. Голова использует эти признаки для предсказания классов и ограничивающих рамок объектов.
Набор бесплатных улучшений#
В YOLOv4 также применяются методы, известные как «набор бесплатных улучшений»: они повышают точность модели во время обучения, не увеличивая затраты на инференс. Расширение данных — распространённый метод из этого набора, используемый при обнаружении объектов. Он увеличивает разнообразие входных изображений и повышает устойчивость модели. Примеры расширения данных: фотометрические искажения (изменение яркости, контрастности, оттенка, насыщенности и уровня шума изображения) и геометрические искажения (случайное масштабирование, обрезка, отражение и поворот). Эти методы помогают модели лучше обобщать данные разных типов изображений.
Функции и производительность#
YOLOv4 создана для оптимального сочетания скорости и точности при обнаружении объектов. В архитектуру YOLOv4 входят CSPDarknet53 в качестве базовой сети, PANet в качестве шейной части и YOLOv3 в качестве головы детектора. Такая конструкция позволяет YOLOv4 работать достаточно быстро для приложений реального времени, а на момент выпуска модель достигла передовой точности на бенчмарках обнаружения объектов, таких как COCO.
По сравнению с другими моделями семейства YOLO, такими как YOLOv5 и YOLOv7, YOLOv4 остаётся ориентиром по балансу скорости и точности. Более новые модели обеспечивают более высокую точность и упрощают развёртывание, но архитектурные новшества YOLOv4 по-прежнему актуальны для приложений, требующих производительности в реальном времени.
Примеры использования#
YOLOv4 — модель на основе Darknet, которая не поддерживается напрямую пакетом Ultralytics Python: предварительно обученные веса yolov4.pt не опубликованы в ultralytics/assets, а YAML-файлы ultralytics/cfg/models/v4/ отсутствуют. Эта страница сохранена в качестве архитектурного справочника. Если ты хочешь запускать YOLOv4, обратись напрямую к репозиторию YOLOv4 на GitHub за инструкциями по установке и использованию.
Вот краткий обзор основных шагов по использованию YOLOv4:
-
Перейди в репозиторий YOLOv4 на GitHub: https://github.com/AlexeyAB/darknet.
-
Следуй инструкциям по установке из файла README. Обычно для этого нужно клонировать репозиторий, установить необходимые зависимости и задать необходимые переменные среды.
-
После завершения установки ты можешь обучить модель и использовать её согласно инструкциям в репозитории. Обычно нужно подготовить набор данных, настроить параметры модели, обучить модель, а затем использовать обученную модель для обнаружения объектов.
Точные шаги зависят от сценария использования и текущего состояния репозитория YOLOv4, поэтому следуй инструкциям в репозитории YOLOv4 на GitHub.
Для обучения и инференса в рамках фреймворка Ultralytics используй YOLO26 или YOLO11.
Заключение#
YOLOv4 — эффективная модель обнаружения объектов, сочетающая скорость и точность. Архитектурные решения и методы обучения из набора бесплатных улучшений позволяют ей хорошо справляться с задачами обнаружения объектов в реальном времени. Любой пользователь может обучать и использовать YOLOv4 на обычном GPU, поэтому модель подходит для широкого спектра приложений, включая системы видеонаблюдения, автономные автомобили и промышленную автоматизацию.
Если ты хочешь внедрить обнаружение объектов в свои проекты, YOLOv4 остаётся достойным вариантом, особенно когда важна производительность в реальном времени. Сейчас Ultralytics сосредоточена на поддержке более новых версий YOLO, таких как YOLO26 и YOLO11, однако архитектурные новшества YOLOv4 повлияли на разработку этих более поздних моделей.
Цитирование и благодарности#
Мы хотели бы поблагодарить авторов YOLOv4 за их значительный вклад в область обнаружения объектов в реальном времени:
@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}
}Оригинальную статью о YOLOv4 можно найти на arXiv. Авторы опубликовали свою работу в открытом доступе, а исходный код доступен на GitHub. Мы ценим их усилия по развитию этой области и стремление сделать результаты своей работы доступными широкому сообществу.
Часто задаваемые вопросы#
YOLOv4, что означает «You Only Look Once, версия 4», — это модель обнаружения объектов в реальном времени, разработанная Алексеем Бочковским и его коллегами в 2020 году. Она сочетает скорость и точность, поэтому подходит для приложений реального времени. В архитектуре YOLOv4 используются такие методы, как взвешенные остаточные связи (WRC), частичные связи между стадиями (CSP) и состязательное обучение с самой собой (SAT), которые вместе обеспечили передовые результаты на момент выпуска. YOLOv4 эффективно работает на одном обычном GPU; для обучения и развёртывания с пакетом Ultralytics используй YOLO26.
Архитектура YOLOv4 включает несколько ключевых компонентов: базовую сеть, шейную часть и голову. Базовая сеть CSPDarknet53 предварительно обучена на ImageNet и извлекает признаки. Шейная часть на основе PANet объединяет карты признаков с разных этапов. Наконец, голова, созданная на основе YOLOv3, предсказывает классы и ограничивающие рамки объектов. В YOLOv4 также используются методы из «набора бесплатных улучшений», например мозаичное расширение данных и регуляризация DropBlock, которые дополнительно оптимизируют скорость и точность.
«Набор бесплатных улучшений» — это методы, повышающие точность YOLOv4 при обучении без увеличения стоимости инференса. К ним относятся различные виды расширения данных: фотометрические преобразования (например, изменение яркости и контрастности) и геометрические преобразования (масштабирование, обрезка, отражение и поворот). Увеличивая разнообразие входных изображений, эти методы помогают YOLOv4 лучше обобщать данные разных типов и тем самым повышают её устойчивость и точность без ущерба для производительности в реальном времени.
YOLOv4 создана для оптимизации скорости и точности при обнаружении объектов в реальном времени. Модель работает на одном обычном GPU как при обучении, так и при инференсе, что снижает затраты на оборудование и делает её практичным решением для задач от рекомендательных систем до автономного управления процессами.
Чтобы начать работу с YOLOv4, перейди в официальный репозиторий YOLOv4 на GitHub. Следуй инструкциям по установке из файла README: обычно нужно клонировать репозиторий, установить зависимости и задать переменные среды. После установки можно обучить модель: подготовь набор данных, настрой параметры модели и следуй инструкциям по использованию. Поскольку Ultralytics пока не поддерживает YOLOv4, рекомендуем обращаться непосредственно к репозиторию YOLOv4 на GitHub за самой актуальной и подробной информацией.
Комментарии
Задай вопрос, поделись результатами или помоги кому-нибудь.