论文名称:YOLOv4: Optimal Speed and Accuracy of Object Detection
论文下载地址:https://arxiv.org/abs/2004.10934
对应视频讲解:https://b23.tv/WLptQ7Q
文章目录
*
– 0 前言
– 1 YOLOv4中的亮点
–
+ 1.1 网络结构
+ 1.2 优化策略
+
* 1.2.1 Eliminate grid sensitivity
* 1.2.2 Mosaic data augmentation
* 1.2.3 IoU threshold(正样本匹配)
* 1.2.4 Optimizer Anchors
* 1.2.5 CIoU(定位损失)
– 2 CSPDarknet53网络结构
– 3 YOLOv4网络结构
0 前言
YOLOv4是2020年 Alexey Bochkovskiy
等人发表在CVPR上的一篇文章,并不是 Darknet
的原始作者 Joseph Redmon
发表的,但这个工作已经被 Joseph Redmon
大佬认可了。之前我们有聊过 YOLOv1
~ YOLOv3
以及 Ultralytics
版的 YOLOv3 SPP
网络结构,如果不了解的可以参考之前的视频,YOLO系列网络详解。如果将 YOLOv4
和原始的 YOLOv3
相比效果确实有很大的提升,但和 Ultralytics
版的 YOLOv3 SPP
相比提升确实不大,但毕竟 Ultralytics
的 YOLOv3 SPP
以及 YOLOv5
都没有发表过正式的文章,所以不太好讲。所以今天还是先简单聊聊 Alexey Bochkovskiy
的 YOLOv4
。
; 1 YOLOv4中的亮点
如果之前有阅读过 YOLOv4
这篇论文的小伙伴,你会发现作者就是把当年所有的常用技术罗列了一遍,然后做了一堆消融实验。实验过程及结果写的还是很详细的,但对我个人而言感觉有点杂乱,没能很好的突出重点。如果大家对实验不敢兴趣的话,直接从论文 3.4
章节往后看就行了。
1.1 网络结构
在论文 3.4
章节中介绍了 YOLOv4
网络的具体结构:
- Backbone:
CSPDarknet53
- Neck:
SPP
,PAN
- Head:
YOLOv3
相比之前的 YOLOv3
,改进了下Backbone,在 Darknet53
中引入了 CSP
模块(来自 CSPNet
)。在Neck部分,采用了 SPP
模块( Ultralytics
版的 YOLOv3 SPP
就使用到了)以及 PAN
模块(来自 PANet
)。Head部分没变还是原来的检测头。
但
YOLOv4
的 PAN
结构和原始论文的融合方式又略有差异,如下图所示。图(a)是原始论文中的融合方式,即特征层之间融合时是直接通过相加的方式进行融合的,但在 YOLOv4
中是通过在通道方向 Concat
拼接的方式进行融合的。; 1.2 优化策略
有关训练Backbone时采用的优化策略就不讲了有兴趣自己看下论文的 4.2
章节,这里直接讲下训练检测器时作者采用的一些方法。在论文 4.3
章节,作者也罗列了一堆方法,并做了部分消融实验。这里我只介绍确实在代码中有使用到的一些方法。
1.2.1 Eliminate grid sensitivity
在原来 YOLOv3
中,关于计算预测的目标中心坐标计算公式是:
b x = σ ( t x ) + c x b y = σ ( t y ) + c y b_x = \sigma(t_x) + c_x \ b_y = \sigma(t_y) + c_y b x =σ(t x )+c x b y =σ(t y )+c y
其中:
- t x t_x t x 是网络预测的目标中心x x x坐标偏移量(相对于网格的左上角)
- t y t_y t y 是网络预测的目标中心y y y坐标偏移量(相对于网格的左上角)
- c x c_x c x 是对应网格左上角的x x x坐标
- c y c_y c y 是对应网格左上角的y y y坐标
- σ \sigma σ是
sigmoid
激活函数,将预测的偏移量限制在0到1之间,即预测的中心点不会超出对应的Grid Cell
区域
但在 YOLOv4
的论文中作者认为这样做不太合理,比如当真实目标中心点非常靠近网格的左上角点(σ ( t x ) \sigma(t_x)σ(t x )和σ ( t y ) \sigma(t_y)σ(t y )应该趋近与0)或者右下角点(σ ( t x ) \sigma(t_x)σ(t x )和σ ( t y ) \sigma(t_y)σ(t y )应该趋近与1)时,网络的预测值需要负无穷或者正无穷时才能取到,而这种很极端的值网络一般无法达到。为了解决这个问题,作者引入了一个大于1的缩放系数(s c a l e x y {\rm scale}{xy}s c a l e x y ):
b x = ( σ ( t x ) ⋅ s c a l e x y − s c a l e x y − 1 2 ) + c x b y = ( σ ( t y ) ⋅ s c a l e x y − s c a l e x y − 1 2 ) + c y b_x = (\sigma(t_x) \cdot {\rm scale}{xy} – \frac{{\rm scale}{xy}-1}{2}) + c_x \ b_y = (\sigma(t_y) \cdot {\rm scale}{xy} – \frac{{\rm scale}{xy}-1}{2})+ c_y b x =(σ(t x )⋅s c a l e x y −2 s c a l e x y −1 )+c x b y =(σ(t y )⋅s c a l e x y −2 s c a l e x y −1 )+c y
通过引入这个系数,网络的预测值能够很容易达到0或者1,我看现在比较新的实现方法包括 YOLOv5
都将s c a l e x y {\rm scale}{xy}s c a l e x y 设置2,即:
b x = ( 2 ⋅ σ ( t x ) − 0.5 ) + c x b y = ( 2 ⋅ σ ( t y ) − 0.5 ) + c y b_x = (2 \cdot \sigma(t_x) – 0.5) + c_x \ b_y = (2 \cdot \sigma(t_y) – 0.5) + c_y b x =(2 ⋅σ(t x )−0 .5 )+c x b y =(2 ⋅σ(t y )−0 .5 )+c y
下面是我绘制的y = σ ( x ) y = \sigma(x)y =σ(x )对应sigma曲线和y = 2 ⋅ σ ( x ) − 0.5 y = 2 \cdot \sigma(x) – 0.5 y =2 ⋅σ(x )−0 .5对应scale曲线,很明显通过引入缩放系数scale以后,x x x在同样的区间内,y y y的取值范围更大,或者说y y y对x x x更敏感了。并且偏移的范围由原来的( 0 , 1 ) (0, 1)(0 ,1 )调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )。
; 1.2.2 Mosaic data augmentation
在数据预处理时将四张图片拼接成一张图片,增加学习样本的多样性,之前在YOLO系列网络详解P4中讲过,这里不在赘述。
; 1.2.3 IoU threshold(正样本匹配)
在 YOLOv3
中针对每一个GT都只分配了一个Anchor。但在 YOLOv4
包括之前讲过的 YOLOv3 SPP
以及 YOLOv5
中一个GT可以同时分配给多个Anchor,它们是直接使用Anchor模板与GT Boxes进行粗略匹配,然后在定位到对应cell的对应Anchor。
首先回顾下之前在讲 YOLOv3 SPP
源码解析时提到的正样本匹配过程。流程大致如下图所示:比如说针对某个预测特征层采用如下三种Anchor模板 AT 1
、 AT 2
、 AT 3
- 将每个GT Boxes与每个Anchor模板进行匹配(这里直接将GT和Anchor模板左上角对齐,然后计算IoU)
- 如果GT与某个Anchor模板的IoU大于给定的阈值,则将GT分配给该Anchor模板,如图中的
AT 2
- 将GT投影到对应预测特征层上,根据GT的中心点定位到对应
cell
(图中黑色的× \times ×表示cell
的左上角) - 则该
cell
对应的AT2为正样本
但在 YOLOv4
以及 YOLOv5
中关于匹配正样本的方法又有些许不同。主要原因在于 1.2.1 Eliminate grid sensitivity
中提到的缩放因子s c a l e x y scale_{xy}s c a l e x y ,通过缩放后网络预测中心点的偏移范围已经从原来的( 0 , 1 ) (0, 1)(0 ,1 )调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )。所以对于同一个GT Boxes可以分配给更多的Anchor,即正样本的数量更多了。如下图所示:
- 将每个GT Boxes与每个Anchor模板进行匹配(这里直接将GT和Anchor模板左上角对齐,然后计算IoU,在
YOLOv4
中IoU的阈值设置的是0.213
) - 如果GT与某个Anchor模板的IoU大于给定的阈值,则将GT分配给该Anchor模板,如图中的
AT 2
- 将GT投影到对应预测特征层上,根据GT的中心点定位到对应
cell
(注意图中有三个对应的cell
,后面会解释) - 则这三个
cell
对应的AT2都为正样本
为什么图中的GT会定位到3个 cell
,这里简单做下解释(这里是通过分析 ultralytics
的 YOLOv5
源码得到的)。刚刚说了网络预测中心点的偏移范围已经调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 ),所以按理说只要 Grid Cell
左上角点距离GT中心点在( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )范围内它们对应的Anchor都能回归到GT的位置处。在回过头看看刚刚上面的例子,G T x c e n t e r , G T y c e n t e r GT^{center}_x, GT^{center}_y G T x c e n t e r ,G T y c e n t e r 它们距离落入的 Grid Cell
左上角距离都小于0.5,所以该 Grid Cell
上方的 Cell
以及左侧的 Cell
都满足条件,即 Cell
左上角点距离GT中心在( − 0.5 , 1.5 ) (-0.5, 1.5)(−0 .5 ,1 .5 )范围内。这样会让正样本的数量得到大量的扩充。但需要注意的是, YOLOv5
源码中扩展 Cell
时只会往上、下、左、右四个方向扩展,不会往左上、右上、左下、右下方向扩展。下面又给出了一些根据G T x c e n t e r , G T y c e n t e r GT^{center}_x, GT^{center}_y G T x c e n t e r ,G T y c e n t e r 的位置扩展的一些 Cell
,其中 %1
表示取余并保留小数部分。
1.2.4 Optimizer Anchors
在 YOLOv3
中使用anchor模板是:
目标类型Anchors模板小尺度
( 10 × 13 ) , ( 16 × 30 ) , ( 33 × 23 ) (10 \times 13), (16 \times 30), (33 \times 23)(1 0 ×1 3 ),(1 6 ×3 0 ),(3 3 ×2 3 )
中尺度
( 30 × 61 ) , ( 62 × 45 ) , ( 59 × 119 ) (30 \times 61), (62 \times 45), (59 \times 119)(3 0 ×6 1 ),(6 2 ×4 5 ),(5 9 ×1 1 9 )
大尺度
( 116 × 90 ) , ( 156 × 198 ) , ( 373 × 326 ) (116 \times 90), (156 \times 198), (373 \times 326)(1 1 6 ×9 0 ),(1 5 6 ×1 9 8 ),(3 7 3 ×3 2 6 )
在 YOLOv4
中作者针对512 × 512 512 \times 512 5 1 2 ×5 1 2尺度采用的anchor模板是:
目标类型Anchors模板小尺度
( 12 × 16 ) , ( 19 × 36 ) , ( 40 × 28 ) (12 \times 16), (19 \times 36), (40 \times 28)(1 2 ×1 6 ),(1 9 ×3 6 ),(4 0 ×2 8 )
中尺度
( 36 × 75 ) , ( 76 × 55 ) , ( 72 × 146 ) (36 \times 75), (76 \times 55), (72 \times 146)(3 6 ×7 5 ),(7 6 ×5 5 ),(7 2 ×1 4 6 )
大尺度
( 142 × 110 ) , ( 192 × 243 ) , ( 459 × 401 ) (142 \times 110), (192 \times 243), (459 \times 401)(1 4 2 ×1 1 0 ),(1 9 2 ×2 4 3 ),(4 5 9 ×4 0 1 )
1.2.5 CIoU(定位损失)
在 YOLOv3
中定位损失采用的是MSE损失,但在 YOLOv4
中作者采用的是 CIoU
损失。之前在YOLO系列网络详解P4中很详细的讲解过 IoU Loss
, DIoU Loss
以及 CIoU Loss
,这里不在赘述。
; 2 CSPDarknet53网络结构
CSPDarknet53
就是将 CSP
结构融入了 Darknet53
中。 CSP
结构是在 CSPNet
( Cross Stage Partial Network
)论文中提出的, CSPNet
作者说在目标检测任务中使用 CSP
结构有如下好处:
- Strengthening learning ability of a CNN
- Removing computational bottlenecks
- Reducing memory costs
即减少网络的计算量以及对显存的占用,同时保证网络的能力不变或者略微提升。 CSP
结构的思想参考原论文中绘制的 CSPDenseNet
,进入每个 stage
(一般在下采样后)先将数据划分成俩部分,如下图所示的 Part1
和 Part2
。但具体怎么划分呢,在 CSPNet
中是直接按照通道均分,但在 YOLOv4
网络中是通过两个 1x1
的卷积层来实现的。在 Part2
后跟一堆 Blocks
然后在通过 1x1
的卷积层(图中的 Transition
),接着将两个分支的信息在通道方向进行Concat拼接,最后再通过 1x1
的卷积层进一步融合(图中的 Transition
)。
接下来详细分析下 CSPDarknet53
网络的结构,下图是我根据开源仓库https://github.com/Tianxiaomo/pytorch-YOLOv4中代码绘制的 CSPDarknet53
详细结构(以输入图片大小为416 × 416 × 3 416 \times 416 \times 3 4 1 6 ×4 1 6 ×3为例),图中:
- k k k代表卷积核的大小
- s s s代表步距
- c c c代表通过该模块输出的特征层channels
- 注意,
CSPDarknet53
Backbone中所有的激活函数都是Mish
激活函数
; 3 YOLOv4网络结构
下图是我绘制的 YOLOv4
网络的详细结构,大家在搭建或者学习过程中可以进行参考。
Original: https://blog.csdn.net/qq_37541097/article/details/123229946
Author: 太阳花的小绿豆
Title: YOLOv4网络详解
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/720616/
转载文章受原作者版权保护。转载请注明原作者出处!