yolov4算法及其改进
- 1、yolov4介绍
- 2、mosaic与mish激活函数
-
- 2.1、mosaic数据增强
- 2.2、Mish激活函数
- 3、backbone网络框架的改进
- 4、PAN-FPN的介绍
- 5、样本匹配和损失函数
1、yolov4介绍
改进点：
- 输入端改进：Mosaic数据增加
- 主干网络：CSPDarkNet53
- Neck:SPP、PANet
- 损失函数：CIOU
- 激活函数：Mish激活函数
- 样本匹配：增加了匹配样本的数量
2、mosaic与mish激活函数
2.1、mosaic数据增强
数据增强步骤：
- 首先随机取4张图片
- 分别对4张图片进行数据增广操作，并分别粘贴至与最终输出图像大小相等的掩模的对应位置
- 进行图片的组合和框的组合
优点：
- 丰富数据集：使用4张图片，随机缩放，随机分布进行拼接，大大丰富了目标检测的数据集，增加了很多小目标，让网络模型对小目标的稳健性变的更好
- 减少GPU使用：mosaic增强训练时，可以在单图像尺度的情况下直接计算4张图片的数据，使得mini-batch size并不需要很大，即使用1个GPU就可以达到比较好的收敛效果
