keras

点击上方“ 视学算法 ”，选择“ 星标 ”公众号 精选作品，第一时间送达 来源｜周威@知乎，https://zhuanlan.zhihu.com/p/159209199 本文已获作者授权，不得二次转载。 1.前言 如果您对YOLO V4的结构比较感兴趣，建议您可以结合代码以及我的这篇文章进行 消化 。代码是基于Keras版本的，结构很清晰，链接如下： YOLO V4 Keras：https:github.com/Ma-Dan/keras-yolo4 YOLO V4相较于YOLO V3做了很多 小创新 ，堪称目标检测tricks万花筒。既然YOLO V4结构大家都懂了，根据网络的 输出 和 标签信息 进行损失函数的设定，实现网络参数的更新，一个完整的YOLO V4模型训练过程就可以被复现了。 YOLO V4原文中提到，在进行bounding box regression的时候，传统的目标检测模型（比如YOLO V3)等，都是直接根据 预测框 和 真实框 的 中心点坐标 以及 宽高信息 设定 MSE(均方误差）损失函数 的。为了方便大家理解，下面给出了YOLO V3的总损失函数。 YOLO V3的损失函数 可以看出，第一行的两个，就是用在bounding box regression的损失函数MSE。有关该损失函数的具体解析可以见我文章《YOLO V3 深度解析 （下）》(https:

TensorFlow有5个不同的层次结构：即 硬件层 ， 内核层 ， 低阶API ， 中阶API ， 高阶API 。本章我们将以线性回归为例，直观对比展示在低阶API，中阶API，高阶API这三个层级实现模型的特点。 TensorFlow的层次结构从低到高可以分成如下五层。 最底层为硬件层，TensorFlow支持CPU、GPU或TPU加入计算资源池。 第二层为C++实现的内核，kernel可以跨平台分布运行。 第三层为Python实现的操作符，提供了封装C++内核的低级API指令，主要包括各种张量操作算子、计算图、自动微分. 如tf.Variable,tf.constant,tf.function,tf.GradientTape,tf.nn.softmax... 如果把模型比作一个房子，那么第三层API就是【模型之砖】。 第四层为Python实现的模型组件，对低级API进行了函数封装，主要包括各种模型层，损失函数，优化器，数据管道，特征列等等。 如tf.keras.layers,tf.keras.losses,tf.keras.metrics,tf.keras.optimizers,tf.data.Dataset,tf.feature_column... 如果把模型比作一个房子，那么第四层API就是【模型之墙】。 第五层为Python实现的模型成品

作者｜周威，https://zhuanlan.zhihu.com/p/150127712 本文已获作者授权，不得二次转载。 1.前言 最近用YOLO V4做车辆检测，配合某一目标追踪算法实现 车辆追踪+轨迹提取 等功能，正好就此结合论文和代码来对 YOLO V4 做个解析。先放上个效果图（半成品），如下： 话不多说，现在就开始对YOLO V4进行总结。 YOLO V4的论文：《 YOLOv4: Optimal Speed and Accuracy of Object Detection》 ，相信大家也是经常看到这几个词眼：大神接棒、YOLO V4来了、Tricks 万花筒等等。 没错，通过阅读YOLO V4的原文，我觉得它更像一篇 目标检测模型Tricks文献综述 ,可见作者在目标检测领域的知识（炼丹技术）积累之多。 从本质上，YOLO V4就是 筛选 了 一些 从YOLO V3发布至今，被用在各式各样检测器上，能够 提高检测精度 的 tricks ，并以YOLO V3为 基础 进行改进的目标检测模型。YOLO V4在保证速度的同时，大幅提高模型的检测精度(当然，这是相较于YOLO V3的）。 上图可以看出来，虽然检测精度不如EfficientDet这种变态，但是速度上是遥遥领先的，说明YOLO V4并没有忘记初心（速度和精度的trade off，我YOLO才是佼佼者）！