此智慧城市交通車流解決方案由中研院與義隆電子進行產學合作研發，中研院資訊科學研究所所長廖弘源回顧，2018下半年團隊從YOLOv3開始投入研究，希望改變其模型訓練的策略，決定將訓練時回傳的資訊分流。第一階段團隊針對殘差神經網路(ResNet)進行研究，希望改變ResNet的資料傳遞方法，提升模型訓練的成果，接著便採用局部殘差網路(Partial Residual Networks, PRNet)進行訓練，但是每秒103幀的辨識速度，只比原本的YOLOv3快兩倍，而且正確率減少2%。
因此團隊隨後在2019年5月發展跨階段局部網路(Cross Stage Partial Network, CSPNet)，並研發出YOLOv4。YOLOv4的架構結合CSPNet的回傳機制，協助深度學習(Deep Learning)的資料，能在回傳的時候更有效的被運用。此外，CSPNet提升浮點運算的處理速度，同時將特徵接受域(Receptive Field)維持在一定的範圍之內，以免Receptive Field過小而無法完整偵測物件，或者Receptive Field過大時，容易一次偵測到兩個物件。CSPNet在2020年9月於全球機器學習網站Paper With Code上發表，得到亮眼的名次。
應用方面，YOLOv4的速度達到每秒430幀，且邊緣運算的秏能只需要30瓦，因此能在節能的情況下，於車流辨識的速度及正確率上發揮良好作用，包含夜間光源不足時，也能清楚辨識車號、車牌、車速及計算車流量。以進入新竹科學園區的第一個路口為例，透過魚眼鏡頭蒐集的數據，經過演算法分析，能夠預測車流量，再從數據分析的結果即時調控交通號誌，提升尖峰時段的行車順暢度。廖弘源說明，YOLOv4的研發，除了解決重要路口在尖峰時段的壅塞問題，也能運用在社交距離偵測、行人是否配戴口罩等防疫場域，其低功耗且高精準度的特性，未來還能導入更多應用場景。
