YOLOv4：实时目标检测的突破
计算机视觉与模式识别
2025-02-07 v1
摘要
YOLOv4通过结合Darknet框架中用于回归（边界框定位）和分类（目标类别识别）的先进技术，实现了在COCO数据集上的最佳性能。为增强准确性和适应性，它采用交叉小批量归一化、交叉阶段部分连接、自对抗训练和加权残差连接，以及CIoU损失、Mosaic数据增强和DropBlock正则化。通过Mosaic增强和多分辨率训练，YOLOv4在多种场景下实现了卓越的检测性能，在Tesla V100上以约65帧/秒的速度实现43.5%的平均精度（与65.7%的AP50相比），确保了在实际环境中的效率、可负担性和适应性。
引用
@article{arxiv.2502.04161,
title = {YOLOv4: A Breakthrough in Real-Time Object Detection},
author = {Athulya Sundaresan Geetha},
journal= {arXiv preprint arXiv:2502.04161},
year = {2025}
}