输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、DropblockNeck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN
在目标检测任务中，我们常使用yolov3, yolov4作为目标检测模型，在实际部署工作中，我们很多边缘设备需要把模型转换成caffe。在次记录下转换过程。 我们需要在caffe框架中，添加所需要的层。这个转换工具可以参考github上一位大佬项目： git clone https://github.com/ChenYingpen
比较YOLOv4和其他最先进的目标检测。YOLOv4的运行速度是EfficientSet的两倍，性能相当。YOLOv3的AP和FPS分别提高10%和12% 摘要：据说有大量的特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。某些功能只在某些模型上
欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享 O_o >_< o_O O_o ~_~ o_O 本文介绍了使用 tensorrt 实现 mish 算子的方法。 相信做过目标检测的同学对 yolo 肯定比较熟悉了，yolov4是 2020 年初提出的，相继后来有了 yolov5 和其他一些变体，yolo
YOLOv4: Optimal Speed and Accuracy of Object Detection 论文：https://arxiv.org/abs/2004.10934 代码：https://github.com/AlexeyAB/darknet YOLOv4在COCO上，可达43.5%AP，速度高达65fps YOLOv4的特点是集大成者，俗称堆料，但最终达到这么高的性能，一定是不断堆料、不断调参的结果。
论文地址和代码 https://arxiv.org/abs/2004.10934v1 代码：https://github.com/AlexeyAB/darknet 摘要： 据说有许多功能可以提高卷积神经网络（CNN）的准确性。 需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。 某些功能仅在某些模型上运行，并且仅在某些问题上
除了之前较为流行的RELU激活函数，最近又新出了几个效果较好的激活函数 一、BERT激活函数 二、Mish激活函数 公式如下： 函数图如下： 橙色曲线为：ln(1+e^(x)) 蓝色曲线为：Mish函数
