**中英對照翻譯參考：
**中首先總結了目標檢測的一般性結構：
通常，傳統的目標檢測器是離線訓練的。因此，研究人員總是喜歡利用這一優勢，開發更好的訓練方法，使目標檢測器在不增加推理成本的情況下獲得更好的精度。我們將這些方法稱為」 bag of freebies」，這些方法僅改變訓練策略或僅增加訓練成本。資料擴充：
資料擴增的目的是增加輸入影象的可變性，使設計的目標檢測模型對從不同環境獲得的影象具有更高的魯棒性 1、光度畸變：調整影象的亮度、對比度、色調、飽和度和雜訊資料擴充方法是所有畫素調整，並保留調整後區域中的所有原始畫素資訊。
2、幾何畸變：加入隨機縮放、剪下、翻轉和旋轉
模擬物件遮擋：
隨機擦除 （random erase），cutout：隨機選擇影象中的矩形區域並填充零的隨機或互補值。
hide-and-seek、grid mask：隨機或均勻地選擇影象中的多個矩形區 域，並將其全部替換為0
正則化方法 regularization method：
結合多幅影象進行資料擴充：
mixup：使用兩個影象以不同的係數比率倍增和疊加，然後使用這些疊加比率調整標籤
cutmix：將裁剪的影象覆蓋到其他影象的矩形區域，並根據混合區域的大小調整標籤。
style transfer gan用於資料擴充
語義分布偏差之—解決類別不平衡問題：
label smoothing
將硬標籤轉化為軟標籤進行訓練
bbox：
1、iou_loss
2、giou_loss
3、diou_loss
4、ciou_loss
yolov4 - use：
cutmix and mosaic data augmentation、dropblock regularization、 class label smoothing、ciou-loss、cmbn、self-adversarial training、 eliminate grid
對於那些插入模組和後期處理方法只會增加少量的推理成本，但可顯著提高目標檢測的準確性，我們稱其為 「bag of specials」。一般來說,這些插入模組是用來增強某些屬性的，如擴大感受野，引入注意力機制或增強特徵整合能力等，而後處理是一種篩選模型**結果方法。擴大感受野 enhance receptive field：spp，aspp，rfb
注意力機制 attention module:
特徵融合 feature integration：
啟用函式 activation function：
後處理方法 post-processing method
yolov4 - use：
在ilsvrc2012 (imagenet)資料集上的分類任務，cspresnext50要比cspdarknet53好得多。然而，在coco資料集上的檢測任務，csp+darknet53比cspresnext50更好。
backbone：csp+darknet53
additional module：spp
neck：panet
head：yolov3 (anchor based)
為了使檢測器更適合於單gpu上的訓練，做了如下補充設計和改進:
1、引入了一種新的資料增強方法mosaic和自對抗訓練(sat)
2、在應用遺傳演算法的同時選擇最優超引數
3、修改了一些現有的方法，如：sam，pan，cmbn
Yolov4煙火檢測
作者開源的資料集 以上資料集包含煙霧影象，但是標註只有1類 開源模型只有fire類，如果要同時檢測煙霧，需要自己在影象上標註煙霧類別。採用yolov5煙霧 火災2類檢測模型，為自己的資料預標註，然後修正即可！煙火檢測資料集包含的場景型別 大火 小火，建築 草原 森林 車輛 汽車 卡車 電單車 電動車...
YOLOv4學習資源
redmon寫完yolov3，退出計算機視覺領域之後，又有其他大佬推動著這一目標檢測神器的發展。yolov4我沒有看原 而是找了一些部落格資源進行學習，現在把我找到的部落格資源分享在此。看完這些部落格之後，yolov4其實並沒有引入特別創新的idea，作者的目標就是為了設計乙個用於實際工作環境的快速...
yolov4網路結構 目標檢測YOLO V4
一 yolo v4主要做了什麼？通俗的講，就是說這個yolo v4演算法是在原有yolo目標檢測架構的基礎上，採用了近些年cnn領域中最優秀的優化策略，從資料處理 主幹網路 網路訓練 啟用函式 損失函式等各個方面都有著不同程度的優化，雖沒有理論上的創新，但是會受到許許多多的工程師的歡迎，各種優化演算...