YOLO系列對象檢測算法，算是人工智能技術領域的一匹黑馬，當開發者宣布不再為YOLO系列檢測算法更新時，很多開發者瞬間失去了”精神食糧“。突然，當YOLOV4檢測算法釋出的時候，讓很多開發者喜出望外。
YOLOV4對象檢測
YOLOV4對象檢測算法綜述：
COCO 模型上的檢測資料
43.5%mAP+65FPS 精度速度最優平衡,YOLOV4無論是在速度上，還是在精度上，都絕對碾壓很多對象檢測算法，在論文中，作者也是采用了大量的調優算法來加速YOLOV4的檢測模型
權重殘差連接配接(WRC)
跨階段部分連接配接(CSP)
跨小批量标準化(CmBN)
自對抗訓練(SAT)
Mish激活
馬賽克資料增強
CmBN
DropBlock正則化
CIoU Loss
對象檢測
模型中的名詞
Input：算法的輸入，包括整個圖像，一個patch，或者是image pyramid
Backbone：可以了解為提取圖像特征的部分，可以參考經訓練好的網絡，例如(VGG16,ResNet-50, ResNeXt-101, Darknet53等)
Neck：特征增強子產品，前面的backbone已經提取到了一些相關的淺層特征，由這部分對backbone提取到的淺層特征(low-level feature)進行加工，增強，進而使得模型學到的特征是想要的特征。
Head：檢測頭。如果想直接得到bbox，那就可以接conv來輸出結果，例如Yolo，SSD
是以，一個檢測算法可以了解為：
Object Detection = Input+Backbone + Neck + Head
Bag of freebies
什麼叫Bag of freebies？在目标檢測中是指：用一些比較有用的訓練技巧來訓練模型，進而使得模型取得更好的準确率但是不增加模型的複雜度，也就不增加推理(inference)是的計算量(cost)。在目标檢測中，提到bag of freebies，首先會想到的 就是Data augmentation。
Data augmentation
目的在于增加訓練樣本的多樣性，使得檢測模型具有高的魯棒性。常見的資料增強方式包括兩個方面：幾何增強以及色彩增強。
- 幾何增強包括：随機翻轉(水準翻轉較多，垂直翻轉較少)，随機裁剪(crop)，拉伸，以及旋轉。
- 色彩增強包括：對比度增強，亮度增強，以及較為關鍵的HSV空間增強。
.Bag of specials
什麼叫做bag of specials：就是指一些plugin modules(例如特征增強模型，或者一些後處理)，這部分增加的計算量(cost)很少，但是能有效地增加物體檢測的準确率，我們将這部分稱之為Bag of specials
架構選擇
架構選擇
一個模型的分類效果好不見得其檢測效果就好，想要檢測效果好需要以下幾點：
- 更大的網絡輸入分辨率——用于檢測小目标
- 更深的網絡層——能夠覆寫更大面積的感受野
- 更多的參數——更好的檢測同一圖像内不同size的目标
為了增大感受野，作者使用了SPP-block，使用PANet代替FPN進行參數聚合以适用于不同level的目标檢測。
YOLOv4的架構：
- backbone：CSPResNext50
- additional block：SPP-block
- path-aggregation neck：PANet
- heads：YOLOv3的heads
YOLOV4的改進，作者不僅增加了以上的優化算法，更是改進了其他方面的技術，比如：
- 一種新的資料增強Mosaic法和Self-AdversarialTraining 自對抗訓練法。
Mosaic法和Self-AdversarialTraining
- 應用遺傳算法選擇最優超參數。
- 改進SAM，改進PAN，和交叉小批量标準化(CmBN)，使設計适合于有效的訓練和檢測
SAM，PAN
更加詳細的技術，大家可以參考作者的論文以及GitHub源代碼進行分享學習
python+opencv 實作YOLOV4
python+opencv 實作YOLOV4
YOLOV4的實作，除了作者分享的Darknet之外，現在還有了tensorflow、Pytorch、keras等等方法的實作，但是始終沒有比較簡答的代碼實作(畢竟tensorflow、Pytorch、keras技術，不是很好掌握)
opencv4.4版本的釋出，宣布支援最新的YOLOV4對象檢測算法，同時還優化了大量的工作
本部分代碼需要更新一下你的opencv版本到4.4
YOLOV4 圖檔識别
模型初始化
import numpy as np
import timeimport cv2import oslabelsPath = "yolo-coco/coco.names"
LABELS = Nonewith open(labelsPath,'rt') as f:
LABELS = f.read().rstrip('\n').split("\n")
np.random.seed(42)
COLORS = np.random.randint(0, 255, size=(len(LABELS), 3),dtype="uint8")
weightsPath = "yolo-coco/yolov4.weights"
configPath = "yolo-coco/yolov4.cfg"
net = cv2.dnn.readNetFromDarknet(configPath, weightsPath)
1-5行：首先我們導入第三方庫
7-10行：我們加載YOLOV4在COCO訓練集上的對象名稱
12-13行：初始化随機的顔色，這裡主要是為後續檢測到不同的對象，進行不同顔色的邊框畫圖
15-17：初始化YOLOV4的模型，cv2.dnn.readNetFromDarknet(configPath, weightsPath)函數來加載模型的CFG以及weights參數
代碼截圖
加載圖檔進行神經網絡檢測
image = cv2.imread("images/3.jpg")
(H, W) = image.shape[:2]
ln = net.getLayerNames()ln = [ln[i[0] - 1] for i in net.getUnconnectedOutLayers()]
blob = cv2.dnn.blobFromImage(image, 1 / 255.0, (416, 416),swapRB=True, crop=False)
net.setInput(blob)start = time.time()
layerOutputs = net.forward(ln)end = time.time()
print("[INFO] YOLO took {:.6f} seconds".format(end - start))
19-20行：輸入圖檔，擷取圖檔的長度與寬度
22-28行：計算圖檔的blob值，輸入神經網絡，進行前向回報預測圖檔，隻不過net.forward裡面是ln， 神經網絡的所有out層，這裡我們定義了一個time函數，用來計算YOLOV4的檢測時間
代碼截圖
周遊檢測結果
32-34：首先初始化一些參數，主要用來存檢測到的結果資料
36-42：周遊所有的檢測層，提取檢測到的圖檔對象置信度以及label ID
44-53：我們過濾到置信度小于0.5的對象，提取大于0.5置信度的對象，分别計算每個檢測對象的BOX、置信度以及label ID，并儲存在如下先前建立的初始化參數list裡面
boxes = []
confidences = []
classIDs = []
代碼截圖
通過以上代碼便實作了python的YOLOV4對象檢測，但是檢測的結果并不理想，對于每個對象，Yolo4 會框出 3 個左右的區域，但是我們隻需要顯示出最合适的區域。非最大值抑制算法，就是搜尋出局部最大值，将置信度最大的框儲存，其餘删除。
非最大值抑制來定義最大的邊框
idxs = cv2.dnn.NMSBoxes(boxes, confidences, 0.5,0.4)
if len(idxs) > 0: for i in idxs.flatten(): (x, y) = (boxes[i][0], boxes[i][1])
(w, h) = (boxes[i][2], boxes[i][3])
color = [int(c) for c in COLORS[classIDs[i]]] cv2.rectangle(image, (x, y), (x + w, y + h), color, 2) text = "{}: {:.4f}".format(LABELS[classIDs[i]], confidences[i]) cv2.putText(image, text, (x, y - 5), cv2.FONT_HERSHEY_SIMPLEX,
0.5, color, 2)cv2.imshow("Image", image)cv2.waitKey(0)
最後，我們使用非最大值抑制算法，把每個對象的最大邊框顯示出來，以便我們檢測模型的結果
代碼截圖
以上便是完整的python opencv實作YOLOV4的代碼，本部分代碼與YOLOV3的實作類似，小夥伴們可以參考小編往期的文章關于YOLOV3的介紹，最後我們運作一下代碼，看看實作檢測的效果
YOLOV4
YOLOV4的檢測，用起來，确實速度有了很大的提示，就如上圖一樣，檢測隻用了1.3S左右，速度與精度的結合，美中不足的地方是上圖的人的置信度才0.777
下期預告
當然YOLOV4檢測算法完全可以使用在視訊檢測，以及攝像頭的實時對象檢測，本部分代碼我們下期分享