YOLOv4: Phát hiện đối tượng tốc độ cao và chính xác#

Chào mừng bạn đến với trang tài liệu của Ultralytics dành cho YOLOv4, một mô hình phát hiện đối tượng thời gian thực tiên tiến được ra mắt vào năm 2020 bởi Alexey Bochkovskiy tại https://github.com/AlexeyAB/darknet. YOLOv4 được thiết kế để mang lại sự cân bằng tối ưu giữa tốc độ và độ chính xác, biến nó thành lựa chọn tuyệt vời cho nhiều ứng dụng.

Sơ đồ kiến trúc YOLOv4. Minh họa thiết kế mạng lưới phức tạp của YOLOv4, bao gồm các thành phần backbone, neck và head, cùng với các tầng liên kết của chúng để phát hiện đối tượng thời gian thực tối ưu.

Giới thiệu#

YOLOv4 là viết tắt của You Only Look Once phiên bản 4. Đây là một mô hình phát hiện đối tượng thời gian thực được phát triển nhằm khắc phục những hạn chế của các phiên bản YOLO trước đó như YOLOv3 và các mô hình phát hiện đối tượng khác. Không giống như các trình phát hiện đối tượng dựa trên mạng thần kinh tích chập (CNN) khác, YOLOv4 không chỉ áp dụng cho hệ thống gợi ý mà còn cho quản lý quy trình độc lập và giảm thiểu đầu vào từ con người. Hoạt động của nó trên các đơn vị xử lý đồ họa (GPU) thông thường cho phép sử dụng hàng loạt với mức giá phải chăng, và nó được thiết kế để chạy theo thời gian thực trên một GPU thông thường trong khi chỉ yêu cầu một GPU duy nhất để huấn luyện.

Kiến trúc#

YOLOv4 tận dụng một số tính năng đổi mới hoạt động cùng nhau để tối ưu hóa hiệu suất của nó. Các tính năng này bao gồm Weighted-Residual-Connections (WRC), Cross-Stage-Partial-connections (CSP), Cross mini-Batch Normalization (CmBN), Self-adversarial-training (SAT), Mish-activation, Mosaic tăng cường dữ liệu, DropBlock chuẩn hóa, và hàm mất mát CIoU. Các tính năng này được kết hợp để đạt được kết quả tiên tiến.

Một trình phát hiện đối tượng điển hình bao gồm nhiều phần khác nhau bao gồm đầu vào, backbone, neck và head. Phần backbone của YOLOv4 được huấn luyện trước trên ImageNet và được sử dụng để dự đoán các lớp và bounding box của đối tượng. Phần backbone có thể đến từ một số mô hình bao gồm VGG, ResNet, ResNeXt hoặc DenseNet. Phần neck của trình phát hiện được sử dụng để thu thập feature map từ các giai đoạn khác nhau và thường bao gồm một số đường dẫn từ dưới lên và từ trên xuống. Phần head là phần được sử dụng để thực hiện việc phát hiện và phân loại đối tượng cuối cùng.

Bag of Freebies#

YOLOv4 cũng sử dụng các phương pháp được gọi là "bag of freebies", là các kỹ thuật cải thiện độ chính xác của mô hình trong quá trình huấn luyện mà không làm tăng chi phí suy luận. Tăng cường dữ liệu là một kỹ thuật bag of freebies phổ biến được sử dụng trong phát hiện đối tượng, giúp làm tăng tính biến động của các hình ảnh đầu vào nhằm cải thiện tính mạnh mẽ của mô hình. Một số ví dụ về tăng cường dữ liệu bao gồm biến dạng quang học (điều chỉnh độ sáng, độ tương phản, sắc độ, độ bão hòa và nhiễu của hình ảnh) và biến dạng hình học (thêm tỷ lệ ngẫu nhiên, cắt xén, lật và xoay). Các kỹ thuật này giúp mô hình khái quát hóa tốt hơn với các loại hình ảnh khác nhau.

Tính năng và Hiệu suất#

YOLOv4 được thiết kế để đạt tốc độ và độ chính xác tối ưu trong việc phát hiện đối tượng. Kiến trúc của YOLOv4 bao gồm CSPDarknet53 làm backbone, PANet làm neck và YOLOv3 làm detection head. Thiết kế này cho phép YOLOv4 thực hiện phát hiện đối tượng với tốc độ ấn tượng, phù hợp cho các ứng dụng thời gian thực. YOLOv4 cũng vượt trội về độ chính xác, đạt được kết quả tiên tiến trong các tiêu chuẩn đánh giá phát hiện đối tượng như COCO.

Khi so sánh với các mô hình khác trong họ YOLO, chẳng hạn như YOLOv5 và YOLOv7, YOLOv4 duy trì vị thế vững chắc trong việc cân bằng giữa tốc độ và độ chính xác. Mặc dù các mô hình mới hơn có thể mang lại những ưu điểm nhất định, những cải tiến về kiến trúc của YOLOv4 vẫn giúp nó giữ nguyên giá trị đối với nhiều ứng dụng đòi hỏi hiệu suất thời gian thực.

Ví dụ Sử dụng#

YOLOv4 là một mô hình dựa trên Darknet và không được hỗ trợ gốc bởi gói Python Ultralytics: không có trọng số huấn luyện trước yolov4.pt nào được phát hành trên ultralytics/assets và không có tệp YAML ultralytics/cfg/models/v4/ nào. Trang này được giữ lại làm tài liệu tham khảo về kiến trúc. Người dùng quan tâm đến việc chạy YOLOv4 nên tham khảo trực tiếp kho lưu trữ GitHub của YOLOv4 để biết hướng dẫn cài đặt và sử dụng.

Dưới đây là tổng quan ngắn gọn về các bước điển hình bạn có thể thực hiện để sử dụng YOLOv4:

1. Truy cập kho lưu trữ GitHub của YOLOv4: https://github.com/AlexeyAB/darknet.

2. Làm theo các hướng dẫn được cung cấp trong tệp README để cài đặt. Việc này thường bao gồm sao chép kho lưu trữ, cài đặt các phụ thuộc cần thiết và thiết lập mọi biến môi trường cần thiết.

3. Sau khi cài đặt hoàn tất, bạn có thể huấn luyện và sử dụng mô hình theo hướng dẫn sử dụng được cung cấp trong kho lưu trữ. Việc này thường bao gồm chuẩn bị tập dữ liệu, cấu hình tham số mô hình, huấn luyện mô hình và sau đó sử dụng mô hình đã huấn luyện để thực hiện phát hiện đối tượng.

Xin lưu ý rằng các bước cụ thể có thể khác nhau tùy thuộc vào trường hợp sử dụng cụ thể của bạn và trạng thái hiện tại của kho lưu trữ YOLOv4. Do đó, bạn nên tham khảo trực tiếp các hướng dẫn được cung cấp trong kho lưu trữ GitHub YOLOv4.

Để huấn luyện và suy luận trong framework Ultralytics, hãy xem YOLO11 hoặc YOLO26.

Kết luận#

YOLOv4 là một mô hình phát hiện đối tượng mạnh mẽ và hiệu quả, đạt được sự cân bằng giữa tốc độ và độ chính xác. Việc sử dụng các tính năng độc đáo và các kỹ thuật bag of freebies trong quá trình huấn luyện cho phép mô hình hoạt động xuất sắc trong các tác vụ phát hiện đối tượng thời gian thực. YOLOv4 có thể được huấn luyện và sử dụng bởi bất kỳ ai có GPU thông thường, giúp nó trở nên dễ tiếp cận và thiết thực cho một loạt các ứng dụng bao gồm hệ thống giám sát, xe tự hành và tự động hóa công nghiệp.

Đối với những ai muốn triển khai tính năng phát hiện đối tượng vào các dự án của mình, YOLOv4 vẫn là một ứng cử viên nặng ký, đặc biệt khi hiệu suất thời gian thực là ưu tiên hàng đầu. Mặc dù Ultralytics hiện tại tập trung hỗ trợ các phiên bản YOLO mới hơn như YOLO11 và YOLO26, những cải tiến kiến trúc được giới thiệu trong YOLOv4 đã ảnh hưởng đến quá trình phát triển của các mô hình sau này.

Trích dẫn và Ghi nhận#

Chúng tôi muốn ghi nhận các tác giả của YOLOv4 vì những đóng góp quan trọng của họ trong lĩnh vực phát hiện đối tượng thời gian thực:

@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}
}

Bài báo gốc về YOLOv4 có thể được tìm thấy trên arXiv. Các tác giả đã công khai công trình nghiên cứu của họ và mã nguồn có thể được truy cập trên GitHub. Chúng tôi đánh giá cao nỗ lực của họ trong việc thúc đẩy lĩnh vực này và làm cho công trình của họ tiếp cận được với cộng đồng rộng lớn hơn.

Câu hỏi thường gặp#