当前的目标检测模型在许多基准数据集上取得了良好的结果，但在暗光条件下检测目标仍然是一个巨大的挑战。为了解决这个问题，作者提出了金字塔增强网络并将其与YOLOv3结合，构建了一个名为PE-YOLO的暗光目标检测框架。
作者丨小书童来源丨集智书童编辑丨极市平台回顾一下YOLOv5，不然没机会了这里粗略回顾一下，这里直接提供YOLOv5的整理的结构图吧：Backbone：CSPDarkNet结构，主要结构思想的体现在C3模块，这里也是梯度分流的主要思想所在的地方；PAN-FPN：双流的FPN，必须
他们公布的结果表明，YOLOv5 的表现要优于谷歌开源的目标检测框架 EfficientDet，尽管 YOLOv5 的开发者没有明确地将其与 YOLOv4 进行比较，但他们却声称 YOLOv5 能在 Tesla P100 上实现 140 FPS 的快速检测;
本文的基线模型在MS COCO2017数据集中可以达到50.6% AP50:95和69.8% AP50的精度，在VisDrone2019 DET数据集中达到26.4% AP50:95、44.8% AP50，并且在边缘计算设备Nvidia Jetson AGX Xavier上满足实时要求。
