首先，请大家回想一下，自己抖音里点赞最多的视频是什么？
相信不少人一旦滑到可爱的狗子视频，都会忍不住多看几秒，然后狠狠地点个赞。
都说“吸狗一时爽，一直吸狗一直爽”，不过尽管“云吸狗”十分流行，小编在这里要说，“云吸狗”还是没有真·吸狗来得香。
和小编所见略同的，还有这个加拿大小哥Ryder。
不同的是，Ryder真的亲手做了一个狗子探测器，这个探测器还和扩音喇叭联结在了一起，但凡有人遛狗经过了他们家，探测器首先会进行识别，然后这个喇叭就会提醒他，“快来吸狗啦！”
这还不止，Ryder还突发奇想，这些狗子都这么可爱，它们的主人也应该得到赞赏。
于是，他对整个系统进行了改进。现在这个扩音喇叭不仅能提醒他赶紧吸狗，还能对着路边的狗主人大声说到，“我喜欢你家的狗子（I like your dog）”。
当然，不明所以的路人可能会一脸懵逼：
甚至还有热心的读者留言到，“其实你还可以装一个零食发射器，给路过的狗子派发零食”。
那文摘菌就在这里坐等这个装配了零食发射器的狗子探测器了。
根据Ryder自己介绍，这个项目是为了自己的一个朋友，他曾经做出翻越6英尺围栏就为了撸一只狗的创举。
所以，其实整个项目的思路也很简单，只需要去识别经过的狗子，然后通知他就行了。
那么就动手吧。
首先，准备一个树莓派相机，对准窗外的大街，实时记录动态，然后将这些数据喂给一个机器学习模型，模型便会根据输入数据识别对象。
Ryder使用的这个模型叫做YOLOv3，这个模型中的数据都是人工进行标记的，当数据达到一定的量级后，他们便把这些数据喂给机器学习系统，随后进行训练。
据了解，这个模型能识别80多种物体，包括狗子、人和汽车等。
Ryder用自定义码将这些系统组合在一起，然后就可以上街进行测试了。
可以看到，系统不仅正确识别出了人和狗子，路边的汽车也被标记了出来。
接下来，Ryder拿出了一个扩音喇叭，录入了语音消息，这下子有狗子经过，就能得到实时通报了。
不过也不是每次都能保证有很好的视野就是了。
目前，Ryder也把这个“狗子识别”项目开源在了GitHub上，有需求的朋友自取~
GitHub链接：
说到目标检测网络YOLO，这应该是目前最为常用的目标检测算法了，在自动驾驶、人脸识别等领域都有一展身手之地。
YOLO最早是由Joseph Redmon等人在2015年提出，并在随后的几篇论文中进行了修订。单是凭借YOLO，Redmon就先后获得2016年CVPR群众选择奖、2017年CVPR最佳论文荣誉奖。在学术界，YOLO也是广受欢迎，三篇一作论文总引用量已经超过16000次。
在性能上，由于YOLO只使用单个网络，其便可以直接在检测性能上进行端到端优化，使得基础YOLO模型能以每秒45帧的速度实时处理图像。
就以YOLOv3为例，在Pascal Titan X上处理608×608图像速度达到20FPS，在COCO test-dev上 mAP@0.5达到57.9%，与RetinaNet的结果相近，并且速度快4倍。
同时，YOLOv3在发扬了YOLO系列速度优点的同时，还提升了模型精度，尤其加强了对小目标和重叠遮挡目标的识别，补齐了此前的短板，是当时速度和精度均衡的目标检测网络。
不过，就在去年初，YOLO之父Joseph Redmon却突然宣布，退出计算机视觉领域。
Redmon在推特上表示，由于军用和隐私方面的问题和担忧，自己选择不再进行CV方面的研究。
Fast.ai创始人Jeremy Howard转推评论到，“我之前从来没见过这种事”。
更让大家关心的是，YOLO的更新也暂时被搁浅。
不过好在两个月后，另一位曾经参与YOLO项目维护的Alexey Bochkovskiy，在arXiv上提交了YOLOv4，这篇论文也被拉入原来YOLO之父建立的项目主线。
根据论文介绍，在COCO数据集上，YOLOv4达到了43.5%AP，65FPS，分别提高了10%和12%，运行速度是EfficientNet的2倍。
YOLOv4的速度（FPS）、精度（MS COCO AP50…95和AP50）均超过了其他目标检测器。
论文总结道，YOLOv4主要有以下3点贡献：
提出了一种高效而强大的目标检测模型，使用1080Ti或2080Ti就能训练出超快、准确的目标检测器；在检测器训练过程中，验证了最先进的Bag-of-Freebies和Bag-of-Specials方法对目标检测器的影响；改进了SOTA方法，使其更有效、更适合单GPU训练。
据介绍，YOLOv4也用到相当多的技巧：
用于backbone的BoF：CutMix和Mosaic数据增强，DropBlock正则化，Class label smoothing用于backbone的BoS：Mish激活函数，CSP，MiWRC用于检测器的BoF：CIoU-loss，CmBN，DropBlock正则化，Mosaic数据增强，Self-Adversarial 训练，消除网格敏感性，对单个ground-truth使用多个anchor，Cosine annealing scheduler，最佳超参数，Random training shapes用于检测器的Bos：Mish激活函数，SPP，SAM，PAN，DIoU-NMS
不过，小编还是要说，技术是中立的，区别在于使用技术的人。
比如这个狗子探测器，既能够发挥YOLO的价值，也能治愈人心，何乐而不为呢？
