• YOLO系列算法发展-前沿

• 创始人：你们玩吧，我不干了！(摔-)

YOLOv3发布于2018年3月份。时隔快两年，YOLOv3并没有进化到YOLOv4，但不影响大家对YOLOv3的关注度。

 

YOLO之父JosephRedmon在今年年初宣布退出计算机视觉的研究的时候，很多人都以为目标检测神器YOLO系列就此终结。

然而在4月23日，继任者YOLOV4却悄无声息地来了。Alexey Bochkovskiy发表了一篇名为YOLOV4:Optimal Speed and Accuracy of Object Detection的文章。

YOLO V4是YOLO系列一个重大的更新，其在COCO数据集上的平均精度(AP)和帧率精度(FPS)分别提高了10%和12%，并得到了JosephRedmon的官方认可，被认为是当前最强的实时对象检测模型之一。

• 作者都换了，你凭什么叫YOLOv4？

对YOLO不熟悉，仅听过其名的人，看看了标题就会"破口大骂"：这一点也不YOLO？看着情况，换其他人也能出YOLOv4、YOLOv5、YOLOvx了。

YOLO(v1-v3)官方代码库darknet都亲自挂上了YOLOv4的论文和代码链接。这是来自YOLO系列(v1-v3)作者Joe Redmon的认同！个人猜测YOLOv4的作者团队本可以挂上JoeRedmon的名字的，但其之前已经声明不在继续CV方向的学术研究，那么自然本可以挂，但还是没挂上。

废话那么多，论文正文开始!

YOLOv4的特点是集大成者，俗称堆料。但最终达到这么高的性能，一定是不断尝试、不断堆料、不断调参的结果。

I. INTRODUCTION

 

II. RELATED WORK

 

III. METHODOLOGY

IV. EXPERIMENTS & V. RESULTS

与其他最先进的物体探测器获得的结果比较如图8所示。YOLOv4在速度和准确性方面均优于最快，为最准确的探测器 。

由于不同的⽅法使⽤不同体系结构的GPU进⾏推理时间验证，我们在常⽤的Maxwell、Pascal和VoltaArchitecture体系结构的GPU上运⾏YOLOv4，并将它们与其他先进的⽅法进⾏了⽐较。

 

VI. CONCLUSIONS

多说几句：“YOLOv5”

写在结尾(如果你能耐心看到这里)

其实很多人都觉得YOLOV4和YOLO V5实际上没有什么耳目一新创新，而是大量整合了计算机视觉领域的State-of-the-art，从而显著改善YOLO对象检测的性能。

其实我觉得有的时候工程应用的能力同样也很重要，能有两个这么优秀的技术整合实例供我们免费使用和学习研究，已经不能奢求更多了。先别管别人谁更强，自己能学到更多才是最重要的，毕竟讨论别人谁强，还不如自己强。

技术发展如此之快，究竟谁能最后拿下最佳对象检测框架的头衔尤未可知，而我们处在最好的时代，让我们且行且学且珍惜。