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檢測算法發布的時候，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 模型上的檢測數據

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

加權殘差連接(WRC)

跨階段部分連接(CSP)

跨小批量標準化(CmBN)

自對抗訓練(SAT)

Mish激活

馬賽克數據增強

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：可以理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：特征增強模塊，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，從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

因此，一個檢測算法可以理解為：

Object Detection = Input+Backbone + Neck + Head

Bag of freebies

什么叫Bag of freebies？在目標檢測中是指：用一些比較有用的訓練技巧來訓練模型，從而使得模型取得更好的準確率但是不增加模型的復雜度，也就不增加推理(inference)是的計算量(cost)。在目標檢測中，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。常見的數據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：隨機翻轉(水平翻轉較多，垂直翻轉較少)，隨機裁剪(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

什么叫做bag of specials：就是指一些plugin modules(例如特征增強模型，或者一些后處理)，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確率，我們將這部分稱之為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——用于檢測小目標

• 更深的網絡層——能夠覆蓋更大面積的感受野

• 更多的參數——更好的檢測同一圖像內不同size的目標

為了增大感受野，作者使用了SPP-block，使用PANet代替FPN進行參數聚合以適用于不同level的目標檢測。

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：

• 一種新的數據增強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，和交叉小批量標準化(CmBN)，使設計適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 實現YOLOV4

python+opencv 實現YOLOV4

YOLOV4的實現，除了作者分享的Darknet之外，現在還有了tensorflow、Pytorch、keras等等方法的實現，但是始終沒有比較簡答的代碼實現(畢竟tensorflow、Pytorch、keras技術，不是很好掌握)

opencv4.4版本的發布，宣布支持最新的YOLOV4對象檢測算法，同時還優化了大量的工作

本部分代碼需要升級一下你的opencv版本到4.4

YOLOV4 圖片識別

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：初始化隨機的顏色，這里主要是為后續檢測到不同的對象，進行不同顏色的邊框畫圖

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

加載圖片進行神經網絡檢測

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：輸入圖片，獲取圖片的長度與寬度

22-28行：計算圖片的blob值，輸入神經網絡，進行前向反饋預測圖片，只不過net.forward里面是ln， 神經網絡的所有out層，這里我們定義了一個time函數，用來計算YOLOV4的檢測時間

代碼截圖

遍歷檢測結果

boxes = []
confidences = []classIDs = []for output in layerOutputs:
for detection in output:
scores = detection[5:]
classID = np.argmax(scores) confidence = scores[classID] if confidence > 0.5:
box = detection[0:4] * np.array([W, H, W, H])
(centerX, centerY, width, height) = box.astype("int")
x = int(centerX - (width / 2))
y = int(centerY - (height / 2))
boxes.append([x, y, int(width), int(height)])
confidences.append(float(confidence))
classIDs.append(classID)

32-34：首先初始化一些參數，主要用來存檢測到的結果數據

36-42：遍歷所有的檢測層，提取檢測到的圖片對象置信度以及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，分別計算每個檢測對象的BOX、置信度以及label ID，并保存在如下先前建立的初始化參數list里面

boxes = []

confidences = []

classIDs = []

代碼截圖

通過以上代碼便實現了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，但是我們只需要顯示出最合適的區域。非最大值抑制算法，就是搜索出局部最大值，將置信度最大的框保存，其余刪除。

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)

最后，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實現YOLOV4的代碼，本部分代碼與YOLOV3的實現類似，小伙伴們可以參考小編往期的文章關于YOLOV3的介紹，最后我們運行一下代碼，看看實現檢測的效果

YOLOV4

YOLOV4的檢測，用起來，確實速度有了很大的提示，就如上圖一樣，檢測只用了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頻檢測，以及攝像頭的實時對象檢測，本部分代碼我們下期分享

總結

以上是生活随笔為你收集整理的python 实现显著性检测_使用python轻松实现高大上的YOLOV4对象检测算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。