目标检测算法-YOLO算法纵向对比理解

Posted 2021-02-21 nanmi

目标检测算法-YOLO算法纵向对比理解

DeepLearning的目标检测任务主要有两大类：一段式，两段式

其中两段式主要包括RCNN、FastRCNN、FasterRCNN为代表，

一段式主要包括YOLO，SSD等算法

由于一段式直接在最后进行分类(判断所属类别)和回归(标记物体的位置框框)，所以现在一段式大有发展。

 

---

 

 

YOLO v1

论文地址：You Only Look Once: Unified, Real-Time Object Detection

YOLOv1是one-stage detector鼻祖、real-time detector鼻祖。

所谓one-stage，即不需额外一个stage来生成RP，而是直接分类回归出output：

YOLOv1直接将整张图片分成 S×S的小格子区域，每个小格子区域生成 B个bbox（论文中B=2），每个bbox用来预测中心点落在该格的物体。但是每个格子生成的所有B个bbox共享一个分类score

YOLOv1最后一层的输出是一个S×S×(B∗5+C) 的tensor
其中，S为每维的格子段数，B为每格生成的bbox数，C为前景类别数。

YOLO v1包括24个conv layer + 2 fc layer

YOLOv1采用了山寨版的GoogleNet作为backbone，而不是VGG Net；

在第24层时，每个单点对应原图的感受野达到了782×782。而原图只有448×448，覆盖了整张原图。也就意味着，

到了第24层的时候，每个单点都能看到整张原图。更不要提第25、26层是两个fc操作了。

另外，快速版本的YOLO v1：Fast YOLOv1=9×Conv+2×FC。速度更快，但精度也略低。

这里提供一个感受野计算神器：

https://fomoro.com/research/article/receptive-field-calculator#3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;2,2,1,VALID;3,1,1,VALID;3,1,1,VALID;2,2,1,VALID

 

---

 

 

YOLO v2

论文地址：YOLO9000: Better, Faster, Stronger

 

2.0版本的算法作者发明的一系列骚操作（Dimension Clusters、Direct location prediction、Multi-Scale Training、DarkNet-19）

Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则 删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体。

Direct location prediction (直接位置预测) 。用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定。

引入Batch Normalization，涨0.2。

 

训练分类的阶段，每10个epoch就在448×448的高像素图片上fine-tune一下，使之能更好地适应高像素的输入图像。该操作对mAP涨0.4。

抛弃后段的FC层，改用anchor机制来预测bbox。该操作虽然使得mAP从69.5降至69.2，但是召回率从81暴涨至88。

Dimension Clusters (维度聚类) 。经过对VOC数据集和COCO数据集中bbox的k-means聚类分析，将anchor机制中原本惯用的 9 anchor 法则 删减为仅保留最常出现的 5 anchor 。其中，狭长型的anchor是被保留的主体。
新的 encode/decode机制 —— Direct location prediction (直接位置预测) 。号称用新的位置预测算法来缩小参数范围，使之更容易学习，也使得网络更加稳定。然而现在看来并没有什么影响力，大家主流用的还是Faster R-CNN中设计好的那一套encode/decode机制。

在 26×26 size层设置了通道层接至 13×13 size层。号称保留了更多的位置信息，从而提升细粒度分类的能力。本质上即为single-scale上处理two-scale的feature map信息。该操作涨点1。

Multi-Scale Training (多尺度训练) 。每10个batch就在 320,352,...,608(均为32整数倍)320,352,...,608(均为32整数倍) 中随机选择一个新的input size，该操作据说能锻炼对多尺度input的预测能力。个人感觉这就是集成学习。

 

 

作者嫌弃主流backbone VGG-16计算量太大（224×224的图像需要计算30.69 billion次浮点运算），于是自己发明了DarkNet-19出来。

 

softmax嵌套softmax，从而实现分级语法树，带有分级语法树的YOLOv2，进化为了YOLO9000

YOLO v2结构

 

YOLOv2的网络架构，22卷积层，global average pooling替代了FC（全连接层）

 

---

 

 

YOLO v3

论文地址：YOLOv3: An Incremental Improvement

backbone从darknet-19玩到了darknet-53

该文章继承了YOLOv2的bbox预测任务的方法，对bbox分类任务进行了修改 (用简单的logistic替换下softmax) 

 

 

YOLO v3结构

 

且大大改善了YOLO之前的一大弊病：小物体漏检。使之在APs这一单项上能够达到和 FPN 同级别，且仅逊于RetinaNet的程度

 

---

 

 

YOLO v4

论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection

代码地址：https://github.com/AlexeyAB/darknet

作者对比了 YOLOv4 和当前最优目标检测器，发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下，速度是 EfficientDet 的二倍！此外，与 YOLOv3 相比，新版本的 AP 和 FPS 分别提高了 10% 和 12%。笔者刚撸完EfficientDet，结果更牛又出来了。。。

 作者创新之处

加权残差连接（WRC）

Cross-Stage-Partial-connection，CSP

Cross mini-Batch Normalization，CmBN

自对抗训练（Self-adversarial-training，SAT）

Mish 激活（Mish-activation）

Mosaic 数据增强

DropBlock 正则化

CIoU 损失

YoloV4 的基本目标是提高生产系统中神经网络的运行速度，同时为并行计算做出优化，而不是针对低计算量理论指标（BFLOP）进行优化。YoloV4 的作者提出了两种实时神经网络：

对于 GPU，研究者在卷积层中使用少量组（1-8 组）：CSPResNeXt50 / CSPDarknet53；

对于 VPU，研究者使用了分组卷积（grouped-convolution），但避免使用 Squeeze-and-excitement（SE）块。具体而言，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

YOLOv4 包含以下三部分：

backbone网络：CSPDarknet53

Neck：SPP、PAN

Head：YOLOv3

具体而言，YOLO v4 使用了：

用于骨干网络的 Bag of Freebies（BoF）：CutMix 和 Mosaic 数据增强、DropBlock 正则化和类标签平滑；

用于骨干网络的 Bag of Specials（BoS）：Mish 激活、CSP 和多输入加权残差连接（MiWRC）；

用于检测器的 Bag of Freebies（BoF）：CIoU-loss、CmBN、DropBlock 正则化、Mosaic 数据增强、自对抗训练、消除网格敏感性（Eliminate grid sensitivity）、针对一个真值使用多个锚、余弦退火调度器、优化超参数和随机训练形状；

用于检测器的 Bag of Specials（BoS）：Mish 激活、SPP 块、SAM 块、PAN 路径聚合块和 DIoU-NMS。

为了使检测器更适合在单个 GPU 上进行训练，研究者还做出了以下额外的设计与改进：

提出新型数据增强方法 Mosaic 和自对抗训练（SAT）；

在应用遗传算法时选择最优超参数；

新型数据增强方法 Mosaic 混合了 4 张训练图像，而 CutMix 只混合了两张输入图像。

自对抗训练（SAT）也是一种新的数据增强方法，它包括两个阶段。第一个阶段中，神经网络更改原始图像；第二阶段中，训练神经网络以正常方式在修改后的图像上执行目标检测任务。

CmBN 是 CBN 的改进版，它仅收集单个批次内 mini-batch 之间的统计数据。

 

还将 SAM 从空间注意力机制（spatial-wise attention）修改为点注意力机制（point-wise attention），并将 PAN 中的捷径连接替换为级联：

YOLO v4 与其他 SOTA 目标检测器的对比结果如下图示。从图上可以看出，YOLOv4 位于帕累托最优曲线上，并在速度和准确性上都优于最快和最精准的检测器。

 

 

 

reference：

[1] https://blog.csdn.net/jningwei/article/details/80010567

[2] https://zhuanlan.zhihu.com/p/73606306?from_voters_page=true

[3] https://cloud.tencent.com/developer/article/1347518

[4] https://blog.csdn.net/jningwei/article/details/80022603

[5] https://tech.sina.com.cn/roll/2020-04-24/doc-iircuyvh9580271.shtml