YOLOv4作为先进的检测器，它比所有可用的替代检测器更快（FPS）并且更准确（MS COCO AP50 ... 95和AP50）。 本文已经验证了大量的特征，并选择使用这些特征来提高分类和检测的精度。 这些特性可以作为未来研究和开发的最佳实践。
论文： Bochkovskiy A, Wang C Y, Liao H Y M. YOLOv4: Optimal Speed and Accuracy of Object Detection[J]. arXiv preprint arXiv:2004.10934, 2020.
选择CSPDarknet53主干、SPP附加模块、PANet路径聚合网络和YOLOv4（基于锚点）头作为YOLOv4架构。
-
目录结构如下，由用户定义目录和文件的名称：
├── dataset ├─train │ ├─picture1.jpg │ ├─picture1.xml │ ├─ ... │ ├─picturen.jpg │ └─picturen.xml ├─test │ ├─picture1.jpg │ ├─picture1.xml │ ├─ ... │ ├─picturen.jpg │ └─picturen.xml
python eval_xml.py --xml_dir ../dataset/test \
--jpg_src_path ../dataset/test \ #
--predict_result ./predict_result \
--pretrained ./best_map.ckpt
- predict_result：输出推理xml文件
- pretrained：推理模型
- xml_dir：输入xml路径
- jpg_src_path：输入图片路径
推理结果保存在脚本执行的当前路径，可以在控制台中看到精度计算结果。
=============coco eval reulst=========
Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.646
Average Precision (AP) @[ IoU=0.50 | area= all | maxDets=100 ] = 0.919
Average Precision (AP) @[ IoU=0.75 | area= all | maxDets=100 ] = 0.788
Average Precision (AP) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.549
Average Precision (AP) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.679
Average Precision (AP) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.636
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 1 ] = 0.304
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets= 10 ] = 0.640
Average Recall (AR) @[ IoU=0.50:0.95 | area= all | maxDets=100 ] = 0.698
Average Recall (AR) @[ IoU=0.50:0.95 | area= small | maxDets=100 ] = 0.624
Average Recall (AR) @[ IoU=0.50:0.95 | area=medium | maxDets=100 ] = 0.724
Average Recall (AR) @[ IoU=0.50:0.95 | area= large | maxDets=100 ] = 0.676