內容

1. 來源

   1.1 簡介：提出一套高效的模型縮放方法，針對不同的應用情境(Low-End、General、High-End GPU)，對YOLOv4進行優化。

   1.2 時程：於2020年11月提出論文(v1)，最新修訂為2021年2月(v2)。

   1.3 論文名稱：Scaled-YOLOv4: Scaling Cross Stage Partial Network

2. 論文重點

   2.1 導論

   • 物件偵測應用情境
   • 目的
   • Paper Servey

   2.2 實時物件偵測

   • one-stage
   • two-stage
   • 小結

   2.3 模型縮放

   • 傳統模型縮放方法

     • Depth
     • Width
     • Resolution

   • Scaled YOLOv4縮放原則

     • 一般縮放(CSP-ized YOLOv4)
     • Low-End縮放(YOLOv4-tiny)
     • Hight-End縮放(YOLOv4-large)

   2.4 Scaled YOLOv4架構

   • CSP-ized YOLOv4

     • Backbone
     • Neck

   • YOLOv4-tiny

     • Backbone
     • Neck

   • YOLOv4-tiny

     • 全CSP-ized化模型：YOLOv4-P5
     • YOLOv4-P5模型縮放

   2.5 實驗比對

   • Ablation study

     • CSP-ized YOLOv4
     • YOLOv4-tiny
     • YOLOv4-tiny

   • 與其他先進的物件偵測模型比對

     • CSP-ized YOLOv4
     • YOLOv4-tiny
     • YOLOv4-tiny

3. 優點

   3.1 系統分析歷年模型縮放經驗，提出YOLOv4-CSP架構與最佳化的模型縮放策略。
   3.2 從YOLOv4衍生「一套可部署不同GPU應用情境」的模型，實現推論速度與準確度的平衡。
   3.3 Scaled-YOLOv4準確度比肩SOTA Object Detection，推論速度卻是其1.9-3.7倍。

小結

1. 下一站，我們前往「Scaled YOLOv4解析(二)」，詳細說明不同模組與優化策略、演算法。

讓我們繼續看下去...

參考資料

1. Scaled-YOLOv4: Scaling Cross Stage Partial Network