YOLOv4:高速精准的目标检测
YOLOv4 是 Alexey Bochkovskiy、Chien-Yao Wang 和 Hong-Yuan Mark Liao 于 2020 年在 AlexeyAB/darknet 仓库发布的实时目标检测器。它旨在实现速度和精度之间的最佳平衡。
YOLOv4 架构图。该图展示了 YOLOv4 的骨干网络、颈部和检测头组件,以及各层之间的连接方式。
简介#
YOLOv4 是 You Only Look Once version 4(你只看一次第 4 版)的简称。它是一种实时目标检测模型,旨在解决早期 YOLO 版本(如 YOLOv3)及其他目标检测模型的局限性。大多数早期基于卷积神经网络(CNN)的检测器仅适用于推荐系统;YOLOv4 的实时精度也适用于独立流程管理和减少人工介入。它可以在普通图形处理器(GPU)上实时运行,训练只需一块这样的 GPU,因此适合大规模使用。
架构#
YOLOv4 结合了多种技术来提升性能。这些技术包括加权残差连接 (WRC)、跨阶段部分连接 (CSP)、跨小批量归一化 (CmBN)、自对抗训练 (SAT)、Mish 激活函数、Mosaic 数据增强、DropBlock 正则化以及 CIoU 损失。这些技术共同提升了准确率,同时保持了较快的推理速度。
典型的目标检测器由多个部分组成,包括输入、骨干网络、颈部和检测头。骨干网络在 ImageNet 上预训练,并从输入图像中提取特征。常见的检测器骨干网络包括 VGG、ResNet、ResNeXt 和 DenseNet;YOLOv4 使用 CSPDarknet53。检测器的颈部用于汇集不同阶段的特征图,通常包含多条自底向上的路径和多条自顶向下的路径。检测头利用这些特征预测目标类别和边界框。
免费技巧包#
YOLOv4 还采用了称为“免费增益组合”的方法,这些技术可以在训练期间提升模型的精度,而不会增加推理成本。数据增强是目标检测中常见的一种免费增益组合技术,它通过增加输入图像的多样性来提高模型的鲁棒性。数据增强的一些示例包括光度变换(调整图像亮度、对比度、色调、饱和度和噪声)和几何变换(添加随机缩放、裁剪、翻转和旋转)。这些技术有助于模型更好地泛化到不同类型的图像。
功能与性能#
YOLOv4 专为实现目标检测的最佳速度和精度而设计。YOLOv4 架构采用 CSPDarknet53 作为骨干网络、PANet 作为颈部,以及 YOLOv3 作为检测头。这一设计让 YOLOv4 的运行速度足以满足实时应用需求,并且在发布时,其在 COCO 等目标检测基准测试上达到了最先进的精度。
与 YOLO 系列中的其他模型(如 YOLOv5 和 YOLOv7)相比,YOLOv4 仍是速度与精度平衡方面的参考标准。更新的模型精度更高、部署更简单,但 YOLOv4 的架构创新对于需要实时性能的应用仍有参考价值。
使用示例#
YOLOv4 是基于 Darknet 的模型,Ultralytics Python 软件包不原生支持它:我们没有在 ultralytics/assets 上发布 yolov4.pt 预训练权重,也没有 ultralytics/cfg/models/v4/ YAML 文件。本页面作为架构参考保留。想运行 YOLOv4 的用户应直接参阅 YOLOv4 GitHub 仓库中的安装和使用说明。
下面简要介绍使用 YOLOv4 时通常可能采取的步骤:
-
访问 YOLOv4 GitHub 仓库:https://github.com/AlexeyAB/darknet。
-
按照 README 文件中的说明进行安装。通常需要克隆仓库、安装所需依赖项,并设置必要的环境变量。
-
安装完成后,你可以按照仓库提供的使用说明训练和使用模型。通常需要准备数据集、配置模型参数、训练模型,然后使用训练好的模型执行目标检测。
具体步骤取决于你的使用场景和 YOLOv4 仓库的当前状态,因此请遵循 YOLOv4 GitHub 仓库中的说明。
要在 Ultralytics 框架中进行训练和推理,请使用 YOLO26 或 YOLO11。
结论#
YOLOv4 是一种高效的目标检测模型,在速度和精度之间实现了平衡。它的架构设计和免费增益组合训练技术使其在实时目标检测任务中表现出色。任何拥有普通 GPU 的人都可以训练和使用 YOLOv4,因此它适用于各种应用,包括监控系统、自动驾驶汽车和工业自动化。
如果你想在项目中实现目标检测,YOLOv4 仍是一个很有竞争力的选择,尤其是在优先考虑实时性能时。虽然 Ultralytics 目前专注于支持 YOLO26 和 YOLO11 等较新的 YOLO 版本,但 YOLOv4 引入的架构创新影响了这些后续模型的开发。
引用与致谢#
我们谨向 YOLOv4 作者致谢,感谢他们为实时目标检测领域做出的重要贡献:
@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}
}YOLOv4 原始论文可在 arXiv 上查阅。作者已公开其研究成果,代码库可通过 GitHub 获取。感谢他们为推动这一领域发展并让更广泛的社区能够使用其成果所做的努力。
常见问题#
YOLOv4 是 You Only Look Once version 4(你只看一次第 4 版)的简称,由 Alexey Bochkovskiy 及其同事于 2020 年开发,是一种实时目标检测模型。它平衡了速度和精度,适用于实时应用。YOLOv4 架构采用了加权残差连接(WRC)、跨阶段局部连接(CSP)和自对抗训练(SAT)等技术,这些技术共同使其在发布时达到最先进的结果。YOLOv4 可在单块普通 GPU 上高效运行;如需通过 Ultralytics 软件包进行原生训练和部署,请使用 YOLO26。
YOLOv4 架构包含多个关键组件:骨干网络、颈部和检测头。骨干网络 CSPDarknet53 在 ImageNet 上预训练并提取特征。采用 PANet 的颈部汇集不同阶段的特征图。最后,沿用 YOLOv3 设计的检测头预测目标类别和边界框。YOLOv4 还采用了 Mosaic 数据增强和 DropBlock 正则化等“免费增益组合”技术,进一步优化速度和精度。
“免费技巧包”指的是在不增加推理成本的情况下提升 YOLOv4 训练准确率的方法。这些技术包括各种数据增强方式,例如光度变换(调整亮度、对比度等)和几何变换(缩放、裁剪、翻转、旋转)。通过增加输入图像的多样性,这些增强方法帮助 YOLOv4 更好地泛化到不同类型的图像,从而提升其鲁棒性和准确率,同时不影响实时性能。
YOLOv4 旨在优化实时目标检测的速度和精度。训练和推理都可以在单块普通 GPU 上运行,从而降低硬件成本,使其适用于从推荐系统到独立流程管理等各种应用。
要开始使用 YOLOv4,你应访问官方 YOLOv4 GitHub 仓库。按照 README 文件中的安装说明操作,通常包括克隆仓库、安装依赖项和设置环境变量。安装完成后,你可以准备数据集、配置模型参数,并按照提供的使用说明训练模型。由于 Ultralytics 目前不支持 YOLOv4,建议直接参阅 YOLOv4 GitHub,以获取最新且详细的指导。
评论
提出问题、分享结果,或帮助其他人。