结构

• Backbone：DarkNet53 ⇒ CSPDarkNet53(相较于yoloV3)
• Neck：SPP，PAN
• Prediction：YOLOv3
• YOLOV4的模型结构如下：

• SPP:能够极大地增加感受野，分离出最显著的上下文特征。
• PAN:有一个非常重要的特点就是特征的反复提取。

实现

• pytorch-实现YOLOV4代码
• keras-实现YOLOV4代码
• TensorflowV2-实现YOLOV4代码
• 官方YOLOV4代码

论文

• yoloV4论文

结构

• 输入端：Mosaic数据增强、自适应锚框计算、自适应图片缩放
• Backbone：Focus结构，CSP结构
• Neck：FPN+PAN结构
• Prediction：GIOU_Loss
• YoloV5提供四种模型Yolov5s、Yolov5m、Yolov5l、Yolov5x，其中s的速度最快，精准度最低；x的速度最慢，精准度最高；
• YOLOV5的模型结构如下

• 1).把每个输入图片划分成不同的网格(19*19,38*38,76*76)，每个网格点负责一个区域的检测，只要物体中心落在这个区域，这个物体就由这个网格点来确定。
• 2).通过一系列特征提取卷积、残差卷积激活以及标准化，将特征划分为三种大小的特征。
• 3).通过Neck部分将三种大小的特征进行金字塔融合
• 4).最终对融合的三层数据进行卷积获得最终预测结果

实现

• YoloV5训练自己数据集详细教程

优点：

• YOLO检测速度非常快。对于欠实时系统，在准确率保证的情况下，YOLO速度快于其他方法。
• YOLO 实时检测的平均精度是其他实时监测系统的两倍。

缺点：

• 相比二阶段系列的网络识别定位误差较大
• YOLO对相互靠近的物体，以及很小的群体检测效果不好

YOLOV5相比于YOLOV4

• YOLO V4 在性能上优于YOLO V5，但是在灵活性与速度上弱于YOLO V5。由于YOLO V5仍然在快速更新（还未被官方认证，论文还未出）
• 不仅易于配置环境，模型训练也非常快速，并且批处理推理产生实时结果
• YOLOV5s网络速度非常之快