YOLO 是一個不斷改進和優化的物件偵測系列，除了前三個版本，在 2020 年時，YOLOv4 也問世了！
YOLOv4 是至今最快、精準度最高的物件偵測系統，除了即時偵測車流速度之外，甚至能辨識並捕捉高速滑雪運動中的人與物體。

小意外

據作者表示，其實 YOLOv4 是不小心產生的，為什麼這樣說呢？

當初有企業詢問中研院資訊所：如何改善十字路口的交通分析？
研究團隊構想要完成魚眼車流分析、多攝影機行人識別技術、行動裝置人臉防偽技術，最後鎖定路口以科技執法來揪出違規車輛。

作法

團隊部署了魚眼鏡頭，實際測試用來分析車流量的演算法，並根據偵測到的數據，來調整交通號誌燈號。
他們進行了停等車隊與車速、車流的分析，加上當時槍型攝影機所搭配的物件偵測演算法 → 這些實作就是「意外發展出來的 YOLOv4」。

YOLOv4 架構

Yolov4本質上和Yolov3相差不大，主要也是加快速度和辨識的準確度，怎樣改善後可以大幅提升表現呢？

關鍵是：學習的反饋過程。當卷積神經網路的網路層數愈多，在訓練階段，因為反饋計算方式，每回傳一層就會損失一些資訊，越前面的網路層學習到的東西越少，稱為「梯度消失問題」（vanishing gradient problem）。

黑色箭頭：CNN 運行方向；紅色箭頭：CNN 的學習反饋方向

為了解決梯度消失問題，前人曾經提出 ResNet 卷積神經網路來解決，就是將後面資料備份後往前＂跳級＂傳遞。
但是 ResNet 具有太多重複的拷貝，每一層能學到的東西都差不多。

跳級：從最後一層開始，每一層都備份，再把備份越過一層傳遞，前面網路層就能接收到後面的資訊！

因此，在 PRNet 的基礎上研發出＂跨階段局部網路＂ CSPNet（cross stage partial network, CSPNet），利用分割–分流–合併的路徑，成功達到了大幅減少計算量、卻能增加學習多元性的目標。

PRNet：局部殘差網路 （partial residual networks），將資訊「分流」，減少無謂的計算量，使運算速度增加兩倍。

因為使用了 CSPNet ，YOLOv4 可即時偵測人們的社交距離，或是快速判斷路上的行人有沒有戴口罩，為社會帶來很多便利！

圖片來源
論文