目标检测yolo系列yolo x学习笔记(2021年旷世)

Posted 2021-09-07 超级无敌陈大佬的跟班

Decoupled Head(解耦头):

1）解耦头的好处：

1. 精度带来提升；
2. 收敛速度也明显加快；

2）解耦时控制计算量：

        为了权衡速度和性能，使用 1个1x1 的卷积先进行降维，并在分类和回归分支里各使用了 2个3x3 卷积，最终调整到仅仅增加一点点参数。

Data Augmentation(数据增强)：

1）Mosaic增强：Mosaic 经过 YOLOv5 和 v4 的验证，证明其在极强的 baseline 上能带来显著涨点。

2）Mosaic 配上 Copypaste，依然有不俗的提升；  

•  Copypaste 的实现依赖于目标的 mask 标注，而 mask 标注在常规的检测业务上是稀缺的资源。而由于 MixUp 和 Copypaste 有着类似的贴图的行为，还不需要 mask 标注，因此可以让 YOLOX 在没有 mask 标注的情况下吃到 Copypaste 的涨点。不过我们实现的 Mixup，没有原始 Mixup 里的 Bernoulli Distribution 和 Soft Label ，有的仅是 0.5 的常数透明度和 Copypaste 里提到的尺度缩放。
• Data Augmentation 里面需要强调的一点是：训练结束前的15个 epoch 关掉 Mosaic 和Mixup ，这对于 YOLOX 非常重要。因为Mosaic+Mixup 生成的训练图片，远远脱离自然图片的真实分布，并且 Mosaic 大量的 crop 操作会带来很多不准确的标注框；

Anchor Free：

Anchor Free 的好处是全方位的。

• 1). Anchor Based 检测器为了追求最优性能通常会需要对anchor box 进行聚类分析，这无形间增加了算法工程师的时间成本；
• 2). Anchor 增加了检测头的复杂度以及生成结果的数量，将大量检测结果从NPU搬运到CPU上对于某些边缘设备是无法容忍的。当然还有；
• 3). Anchor Free 的解码代码逻辑更简单，可读性更高。

Label Assignment(样本匹配)：