头一次正式看目标检测方面的文章，有些功利，直接从YoloV4开始！
YOLOv4: Optimal Speed and Accuracy of Object Detection
文献简介
先放文献地址： https://arxiv.org/abs/2004.10934
YoloV4于2020/04挂在Arxiv上，作者之一是之前Yolo代码的维护者之一，Alexey Bochkovskiy，暂时没有找到他的更多资料，另外两个作者是台湾中央研究院的，不认识。
先修知识
直接上手这篇目标检测领域的文章稍有困难，因为以前没咋接触过目标检测，现在直接来一手业界极强的文章，很多名词概念都不清楚。
本来打算补一补，但是发现YoloV4用的模型方法实在是有（多）些（炸）多（了），所以其实只补了文章刚开始的一些概念，码在这里：
Pareto optimality curve，中文名帕累托最优曲线，以本文图 $(1,8)$ 为例，都是2维曲线，这是因为本文选取的评价指标（目标）有两个。我联想到了宏观经济学中的供求曲线、价格需求曲线，感觉道理有一点点像（瞎想的）。
具体可参考知乎用户木木松的专栏文章多目标优化之帕累托最优
Anchor-based和Anchor-free方法，都是目标检测中的方法。前者参考下面的链接，讲得很清楚了，依次设计锚点的位置、锚框的个数大小，我猜最后是根据ground truth去判断标记框的优劣；后者似乎是没有具体设置所谓的锚点，只是先识别目标的中心，然后根据中心进行回归得到标记框（未求证）
具体可参考知乎用户emiya的专栏文章Anchor-Based-01 目标检测算法设计思想一：anchor是什么
YoloV4
文献总结
其实刚开始看觉得很舒服，讲的东西都非常合理有道理（后面也是），但是后面讲的名词知识太多了，让我觉得这模型不会就是各种已有的优秀方法组合拼接出来的吧！不会吧不会吧，它还真的就是这样搞的！
经过多篇博客总结查证，我基本上确定这文章就是这样做的，不过人家做的确实猛，优点总结如下：
- 文章提出的YoloV4达到了文章目标（预期）：保证准确率大前提下，设计出一个快速实时轻量准确的目标识别模型。确实，本文表示只需要1张优秀的显卡就可以完成快速训练（又向应用前进一步！），并且的确是轻量实时准确的
- 在contributions部分提出可以用YoloV4的想法修饰SOTA模型使之有效轻量，应该是这个意思
- 集成了大量已有tricks，据参考文献表示至少有20多种；这篇文章的工作量十分之大，值得肯定
- 文章开头提出了一个说法：CNN任务的一个完整框架需要理论保证+实验验证。本文的tricks可以说是验证了的东西，然后在多个数据集上也显示出帕累托最优的效果
主要tricks
说tricks之前忘了提一嘴YoloV4的整体网络框架了，和经典的目标识别检测框架一致，有一个
的整体框架，其中某些部分不知道有没有跨连接的操作。下面放一张原文的图 $(2)$ ：
那么YoloV4其实就说各种tricks，或者说是各种模型插件套进这个框架。
这个我其实没有细看文章了，毕竟陌生名词太多，搞不清哪些是重点，这里根据他人博客自己总结其中有用的tricks：
首先有个idea起源于Yolo系列的任务是目标识别检测。目标检测方法往往是任务special的，特定任务要特定设计，在通用模型没有发展起来并大规模应用之前我是站这个东西的。本文希望能做到通用的general目标检测模型，那么一个idea就是special特征和general特征，YoloV4在网络模块的使用上主动选择了很多general特征（我认为是特征图）
为了轻量实时，选择Yolo系列的模型是当前合适的做法，本文在head区域使用了YoloV3
各种数据增强技术的使用
自对抗方法增强图像风格，我觉得可以算数据增强了
大佬们还总结了“跨最小批的归一化（Cross mini-batch Normal）、修改的SAM（逐点attention）、修改的PAN（通道合并方式改变）”，不过我现在不太懂，先码在这里。这里最后三条参考：
知乎用户william的专栏文章一文读懂YOLO V5 与 YOLO V4
知乎用户元峰的回答如何评价新出的YOLO v4 ？不错，从创新性的角度分析了YoloV4使用的主要tricks
个人感想（bb）
本来头一遍翻完这篇文章觉得还挺ysk（😁）的，但是抱着这个怀疑我去读了他人的总结，包括：
知乎用户Amusi的回答如何评价新出的YOLO v4 ？很好，我很赞同。人家工作量在这里，确实很良心
知乎用户David的专栏文章YOLO-V4解读：速度与精度的完美结合[已开源]是一篇简洁的翻译，可以速读参考
补充资料：知乎用户996黄金一代的回答如何评价YOLOv5？
我这才有些缓过来，人家毕竟是总结了大量方法，有充足的工作量，而且效果也上去了，那的确是不错的。大家反驳之的意见是似乎大家应用还是不用它，用YoloV3，大概是觉得它这样相当于调参？不过人家做了很多实验，在不少数据集上也足够优秀了，那我是没话说了。
这种套方法的方式，可取，但是得有充足的调研，充足的实验经验。加油吧骚年！
参考文献
[1] Alexey Bochkovskiy, Chien-Yao Wang, and Hong-Yuan Mark Liao. Yolov4: Optimal speed and accuracy of object detection, 2020.
[2] emiya. Anchor-Based-01 目标检测算法设计思想一：anchor是什么[EB/OL]. https://zhuanlan.zhihu.com/p/86741707, 2019-10-26.
[3] 木木松. 多目标优化之帕累托最优[EB/OL]. https://zhuanlan.zhihu.com/p/54691447, 2020-10-07.
[4] william. 一文读懂YOLO V5 与 YOLO V4[EB/OL]. https://zhuanlan.zhihu.com/p/161083602, 2020-07-28.
[5] 元峰. 如何评价新出的YOLO v4 ？[EB/OL]. https://www.zhihu.com/question/390191723/answer/1177584901, 2020-04-25.
[6] Amusi. 如何评价新出的YOLO v4 ？[EB/OL]. https://www.zhihu.com/question/390191723/answer/1176986665, 2020-04-24.
[7] David. YOLO-V4解读：速度与精度的完美结合[已开源][EB/OL]. https://zhuanlan.zhihu.com/p/136172670, 2020-05-20.
[8] 996黄金一代. 如何评价YOLOv5？[EB/OL]. https://www.zhihu.com/question/399884529/answer/1374024055, 2020-07-31.