YOLOv4: высокоскоростное и точное обнаружение объектов#

Добро пожаловать на страницу документации Ultralytics по YOLOv4 — современному детектору объектов, работающему в реальном времени, который был представлен в 2020 году Алексеем Бочковским на https://github.com/AlexeyAB/darknet. YOLOv4 разработан для обеспечения оптимального баланса между скоростью и точностью, что делает его отличным выбором для множества приложений.

Схема архитектуры YOLOv4. Демонстрация сложной сетевой архитектуры YOLOv4, включая компоненты backbone, neck и head, а также их взаимосвязанные слои для оптимального обнаружения объектов в реальном времени.

Введение#

YOLOv4 расшифровывается как You Only Look Once, версия 4. Это модель обнаружения объектов в реальном времени, разработанная для устранения ограничений предыдущих версий YOLO, таких как YOLOv3, и других моделей обнаружения объектов. В отличие от других детекторов объектов на основе сверточной нейронной сети (CNN), YOLOv4 подходит не только для рекомендательных систем, но и для автономного управления процессами и сокращения объема ввода со стороны человека. Работа на обычных графических процессорах (GPUs) позволяет использовать модель в массовых сценариях при доступной стоимости, а сама модель рассчитана на работу в реальном времени на обычном GPU и требует всего одного такого GPU для обучения.

Архитектура#

YOLOv4 использует несколько инновационных функций, которые совместно оптимизируют его производительность. К ним относятся взвешенные остаточные связи (WRC), частичные связи между этапами (CSP), перекрестная мини-пакетная нормализация (CmBN), самосостязательное обучение (SAT), активация Mish, мозаичное расширение данных, регуляризация DropBlock и функция потерь CIoU. Эти функции объединены для достижения передовых результатов.

Типичный детектор объектов состоит из нескольких частей, включая входной слой, backbone, neck и head. Backbone YOLOv4 предварительно обучен на ImageNet и используется для предсказания классов и ограничивающих рамок объектов. В качестве backbone могут использоваться разные модели, включая VGG, ResNet, ResNeXt или DenseNet. Neck детектора собирает карты признаков с разных этапов и обычно включает несколько восходящих и нисходящих путей. Head используется для выполнения финального обнаружения и классификации объектов.

Набор бесплатных улучшений#

YOLOv4 также использует методы, известные как «набор бесплатных улучшений», — техники, повышающие точность модели во время обучения без увеличения стоимости инференса. Расширение данных — распространенный метод из этого набора, применяемый в обнаружении объектов; он увеличивает разнообразие входных изображений и повышает устойчивость модели. Примеры расширения данных включают фотометрические искажения (изменение яркости, контрастности, оттенка, насыщенности и шума изображения) и геометрические искажения (случайное масштабирование, кадрирование, отражение и поворот). Эти методы помогают модели лучше обобщать данные на изображения разных типов.

Функции и производительность#

YOLOv4 разработан для оптимального сочетания скорости и точности при обнаружении объектов. Архитектура YOLOv4 включает CSPDarknet53 в качестве backbone, PANet в качестве neck и YOLOv3 в качестве головы обнаружения. Такая конструкция позволяет YOLOv4 выполнять обнаружение объектов с впечатляющей скоростью, что делает модель подходящей для приложений реального времени. YOLOv4 также отличается высокой точностью, достигая передовых результатов на бенчмарках обнаружения объектов, таких как COCO.

По сравнению с другими моделями семейства YOLO, такими как YOLOv5 и YOLOv7, YOLOv4 сохраняет сильные позиции по балансу между скоростью и точностью. Хотя более новые модели могут иметь определенные преимущества, архитектурные инновации YOLOv4 по-прежнему делают его актуальным для множества приложений, требующих работы в реальном времени.

Примеры использования#

YOLOv4 — модель на основе Darknet, которая не поддерживается нативно пакетом Ultralytics Python: опубликованных предварительно обученных весов yolov4.pt нет в ultralytics/assets, как нет и YAML-файлов ultralytics/cfg/models/v4/. Эта страница сохранена в качестве архитектурного справочника. Если ты хочешь запускать YOLOv4, обратись непосредственно к репозиторию YOLOv4 на GitHub за инструкциями по установке и использованию.

Ниже приведен краткий обзор типичных шагов, которые можно выполнить для использования YOLOv4:

1. Перейди в репозиторий YOLOv4 на GitHub: https://github.com/AlexeyAB/darknet.

2. Следуй инструкциям по установке в файле README. Обычно это включает клонирование репозитория, установку необходимых зависимостей и настройку нужных переменных окружения.

3. После завершения установки ты можешь обучить модель и использовать ее согласно инструкциям по применению в репозитории. Обычно это включает подготовку набора данных, настройку параметров модели, обучение модели, а затем использование обученной модели для обнаружения объектов.

Обрати внимание, что конкретные шаги могут различаться в зависимости от твоего сценария использования и текущего состояния репозитория YOLOv4. Поэтому настоятельно рекомендуется обращаться непосредственно к инструкциям в репозитории YOLOv4 на GitHub.

Для обучения и инференса в рамках фреймворка Ultralytics см. YOLO11 или YOLO26.

Заключение#

YOLOv4 — мощная и эффективная модель обнаружения объектов, обеспечивающая баланс между скоростью и точностью. Благодаря уникальным функциям и методам из набора бесплатных улучшений, применяемым во время обучения, модель отлично справляется с задачами обнаружения объектов в реальном времени. YOLOv4 можно обучать и использовать на обычном GPU, поэтому модель доступна и практична для широкого спектра приложений, включая системы наблюдения, автономные транспортные средства и промышленную автоматизацию.

Для тех, кто хочет реализовать обнаружение объектов в своих проектах, YOLOv4 остается сильным претендентом, особенно когда приоритетом является работа в реальном времени. Хотя сейчас Ultralytics сосредоточена на поддержке более новых версий YOLO, таких как YOLO11 и YOLO26, архитектурные инновации, представленные в YOLOv4, повлияли на разработку этих более поздних моделей.

Цитирование и благодарности#

Мы хотели бы отметить 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 сделали свою работу общедоступной, а исходный код можно найти на GitHub. Мы ценим их усилия по развитию этой области и предоставлению своей работы широкому сообществу.

Часто задаваемые вопросы#