Table des matières
Introduction
La détection d'objets en temps réel est devenue un élément clé de nombreuses applications de quartier, notamment : les véhicules autonomes, la robotique, la vidéosurveillance et la réalité augmentée. Parmi les nombreux algorithmes de détection d'objets, ces dernières années, le framework YOLO (You Only Look Once) s'est démarqué par son excellente rapidité et sa précision, et il a en effet été prouvé qu'il pouvait identifier rapidement et de manière fiable des objets dans des images. Depuis sa naissance, YOLO a subi de nombreuses itérations, et chaque version a été améliorée sur la base de la version précédente, améliorant constamment les performances.Au moment d'écrire ces lignes, le framework YOLO a été mis à jour de V1 à v8. En tant qu'application de technologie de vision industrielle, il est nécessaire pour nous d'avoir une compréhension systématique de l'évolution technologique de YOLO et de connaître les principales innovations, différences et améliorations entre chaque version de YOLO (telles que la conception du réseau, la modification de la fonction de perte , adaptation du cadre d'ancrage et mise à l'échelle de la résolution d'entrée) patientez). Afin de mieux saisir l'impulsion principale du développement technologique de YOLO, et de mieux choisir et appliquer les technologies de reconnaissance visuelle associées. Il existe trois notes d'étude récapitulatives sur la technologie YOLO, qui suivent principalement la
ligne principale de l'article étranger "A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND BEYOND" à étudier et pour former une compréhension rationnelle de la technologie YOLO en synthétisant d'autres publications.
Deux, YOLOv4
YOLOv4 est sorti sur ArXiv en avril 2020 par Alexey Bochkovskiy, Chien-Yao Wang et Hong-YuanMark Liao. YOLOv4 a conservé la même philosophie YOLO - cadre en temps réel, open source, monocoup et darknet - et les améliorations ont été si satisfaisantes que la communauté a rapidement accepté cette version comme YOLOv4 officiel. YOLOv4 tente de trouver l'équilibre optimal en expérimentant un certain nombre de changements classés comme Bag-of-freebies et Bag-of-specials. (Bag-of-freebies) est une méthode qui modifie uniquement la stratégie de formation et augmente le coût de la formation mais n'augmente pas le temps d'inférence, la plus courante étant l'augmentation des données