深入淺出Yolov3和Yolov4
AI編輯：我是小將
本文作者：江小白
https://zhuanlan.zhihu.com/p/143747206
本文已由原作者授權(quán)，不得擅自二次轉(zhuǎn)載
因?yàn)楣ぷ髟颍?xiàng)目中經(jīng)常遇到目標(biāo)檢測(cè)的任務(wù)，因此對(duì)目標(biāo)檢測(cè)算法會(huì)經(jīng)常使用和關(guān)注，比如Yolov3、Yolov4算法。
當(dāng)然，實(shí)際項(xiàng)目中很多的第一步，也都是先進(jìn)行目標(biāo)檢測(cè)任務(wù)，比如人臉識(shí)別、多目標(biāo)追蹤、REID、客流統(tǒng)計(jì)等項(xiàng)目。因此目標(biāo)檢測(cè)是計(jì)算機(jī)視覺項(xiàng)目中非常重要的一部分。
從2018年Yolov3年提出的兩年后，在原作者聲名放棄更新Yolo算法后，俄羅斯的Alexey大神扛起了Yolov4的大旗。
在此，大白將項(xiàng)目中，需要了解的Yolov3、Yolov4系列相關(guān)知識(shí)點(diǎn)以及相關(guān)代碼進(jìn)行完整的匯總，希望和大家共同學(xué)習(xí)探討。
版權(quán)申明：轉(zhuǎn)載及引用本文相關(guān)圖片，需在評(píng)論區(qū)留言，先贊后取圖。
本文包含圖片，都為本人所繪制，如需高清圖片，可郵箱發(fā)送信息，需要哪部分的圖片。
江大白郵箱：[email protected]
1.論文匯總
Yolov3論文名：《Yolov3: An Incremental Improvement》
Yolov3論文地址：arxiv.org/pdf/1804.0276
Yolov4論文名：《Yolov4: Optimal Speed and Accuracy of Object Detection》
Yolov4論文地址：arxiv.org/pdf/2004.1093
2.YoloV3核心基礎(chǔ)內(nèi)容
2.1 網(wǎng)絡(luò)結(jié)構(gòu)可視化
Yolov3是目標(biāo)檢測(cè)Yolo系列非常非常經(jīng)典的算法，不過很多同學(xué)拿到Yolov3或者Yolov4的cfg文件時(shí)，并不知道如何直觀的可視化查看網(wǎng)絡(luò)結(jié)構(gòu)。如果純粹看cfg里面的內(nèi)容，肯定會(huì)一臉懵逼。
其實(shí)可以很方便的用netron查看Yolov3的網(wǎng)絡(luò)結(jié)構(gòu)圖，一目了然。
這里不多說，如果需要安裝，可以移步大白的另一篇文章：《網(wǎng)絡(luò)可視化工具netron詳細(xì)安裝流程》。
如果不想安裝，也可以直接點(diǎn)擊此鏈接，查看Yolov3可視化流程圖。
2.2 網(wǎng)絡(luò)結(jié)構(gòu)圖
繪制網(wǎng)絡(luò)結(jié)構(gòu)圖受到Y(jié)olov3另一位作者文章的啟發(fā)，包括下面Yolov4的結(jié)構(gòu)圖，確實(shí)，從總體框架上先了解了Yolov3的流程，再針對(duì)去學(xué)習(xí)每一小塊的知識(shí)點(diǎn)，會(huì)事半功倍。
上圖三個(gè)藍(lán)色方框內(nèi)表示Yolov3的三個(gè)基本組件：
CBL：Yolov3網(wǎng)絡(luò)結(jié)構(gòu)中的最小組件，由Conv+Bn+Leaky_relu激活函數(shù)三者組成。
Res unit：借鑒Resnet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，讓網(wǎng)絡(luò)可以構(gòu)建的更深。
ResX：由一個(gè)CBL和X個(gè)殘差組件構(gòu)成，是Yolov3中的大組件。每個(gè)Res模塊前面的CBL都起到下采樣的作用，因此經(jīng)過5次Res模塊后，得到的特征圖是608->304->152->76->38->19大小。
其他基礎(chǔ)操作：
Concat：張量拼接，會(huì)擴(kuò)充兩個(gè)張量的維度，例如26*26*256和26*26*512兩個(gè)張量拼接，結(jié)果是26*26*768。Concat和cfg文件中的route功能一樣。
add：張量相加，張量直接相加，不會(huì)擴(kuò)充維度，例如104*104*128和104*104*128相加，結(jié)果還是104*104*128。add和cfg文件中的shortcut功能一樣。
Backbone中卷積層的數(shù)量：
每個(gè)ResX中包含1+2*X個(gè)卷積層，因此整個(gè)主干網(wǎng)絡(luò)Backbone中一共包含1+（1+2*1）+（1+2*2）+（1+2*8）+（1+2*8）+（1+2*4）=52，再加上一個(gè)FC全連接層，即可以組成一個(gè)Darknet53分類網(wǎng)絡(luò)。不過在目標(biāo)檢測(cè)Yolov3中，去掉FC層，不過為了方便稱呼，仍然把Yolov3的主干網(wǎng)絡(luò)叫做Darknet53結(jié)構(gòu)。
2.3 核心基礎(chǔ)內(nèi)容
Yolov3是2018年發(fā)明提出的，這成為了目標(biāo)檢測(cè)one-stage中非常經(jīng)典的算法，包含Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)、anchor錨框、FPN等非常優(yōu)秀的結(jié)構(gòu)。
本文主要目的在于描述Yolov4和Yolov3算法的不同及創(chuàng)新之處，對(duì)Yolov3的基礎(chǔ)不過多描述。
不過大白也正在準(zhǔn)備Yolov3算法非常淺顯易懂的基礎(chǔ)視頻課程，讓小白也能簡(jiǎn)單清楚的了解Yolov3的整個(gè)過程及各個(gè)算法細(xì)節(jié)，制作好后會(huì)更新到此處，便于大家查看。
在準(zhǔn)備課程過程中，大白搜集查看了網(wǎng)絡(luò)上幾乎所有的Yolov3資料，在此整理幾個(gè)非常不錯(cuò)的文章及視頻，大家也可以點(diǎn)擊查看，學(xué)習(xí)相關(guān)知識(shí)。
（1）視頻：吳恩達(dá)目標(biāo)檢測(cè)Yolo入門講解
https://www.bilibili.com/video/BV1N4411J7Y6?from=search&seid=18074481568368507115
（2）文章：Yolo系列之Yolov3【深度解析】
https://blog.csdn.net/leviopku/article/details/82660381
（3）文章：一文看懂Yolov3
https://blog.csdn.net/litt1e/article/details/88907542
相信大家看完，對(duì)于Yolov3的基礎(chǔ)知識(shí)點(diǎn)會(huì)有一定的了解。
3.YoloV3相關(guān)代碼
3.1 python代碼
代碼地址：https://github.com/ultralytics/Yolov3
3.2 C++代碼
這里推薦Yolov4作者的darknetAB代碼，代碼和原始作者代碼相比，進(jìn)行了很多的優(yōu)化，如需要運(yùn)行Yolov3網(wǎng)絡(luò)，加載cfg時(shí)，使用Yolov3.cfg即可
代碼地址：https://github.com/AlexeyAB/darknet
3.3 python版本的Tensorrt代碼
除了算法研究外，實(shí)際項(xiàng)目中還需要將算法落地部署到工程上使用，比如GPU服務(wù)器使用時(shí)還需要對(duì)模型進(jìn)行tensorrt加速。
（1）Tensort中的加速案例
強(qiáng)烈推薦tensort軟件中，自帶的Yolov3加速案例，路徑位于tensorrt解壓文件夾的TensortX/samples/python/Yolov3_onnx中
針對(duì)案例中的代碼，如果有不明白的，也可參照下方文章上的詳細(xì)說明：
代碼地址：https://www.cnblogs.com/shouhuxianjian/p/10550262.html
（2）Github上的tensorrt加速
除了tensorrt軟件中的代碼， github上也有其他作者的開源代碼
代碼地址：https://github.com/lewes6369/TensorRT-Yolov3
3.4 C++版本的Tensorrt代碼
項(xiàng)目的工程部署上，如果使用C++版本進(jìn)行Tensorrt加速，一方面可以參照Alexey的github代碼，另一方面也可以參照下面其他作者的開源代碼
代碼地址：https://github.com/wang-xinyu/tensorrtx/tree/master/Yolov3
4.YoloV4核心基礎(chǔ)內(nèi)容
4.1 網(wǎng)絡(luò)結(jié)構(gòu)可視化
Yolov4的網(wǎng)絡(luò)結(jié)構(gòu)也可以使用netron工具查看，大白也是對(duì)照其展示的可視化流程圖繪制的下方網(wǎng)絡(luò)結(jié)構(gòu)圖。
netron可視化顯示Yolov4網(wǎng)絡(luò)結(jié)構(gòu)可以參照大白的另一篇文章：《netron可視化網(wǎng)絡(luò)結(jié)構(gòu)詳細(xì)安裝流程》
如果不想安裝，也可以直接點(diǎn)擊此鏈接，查看Yolov4可視化流程圖。
4.2 網(wǎng)絡(luò)結(jié)構(gòu)圖
Yolov4的結(jié)構(gòu)圖和Yolov3相比，因?yàn)槎嗔?span style="font-weight: 600;">CSP結(jié)構(gòu)，PAN結(jié)構(gòu)，如果單純看可視化流程圖，會(huì)覺得很繞，不過在繪制出上面的圖形后，會(huì)覺得豁然開朗，其實(shí)整體架構(gòu)和Yolov3是相同的，不過使用各種新的算法思想對(duì)各個(gè)子結(jié)構(gòu)都進(jìn)行了改進(jìn)。
先整理下Yolov4的五個(gè)基本組件：
CBM：Yolov4網(wǎng)絡(luò)結(jié)構(gòu)中的最小組件，由Conv+Bn+Mish激活函數(shù)三者組成。
CBL：由Conv+Bn+Leaky_relu激活函數(shù)三者組成。
Res unit：借鑒Resnet網(wǎng)絡(luò)中的殘差結(jié)構(gòu)，讓網(wǎng)絡(luò)可以構(gòu)建的更深。
CSPX：借鑒CSPNet網(wǎng)絡(luò)結(jié)構(gòu)，由三個(gè)卷積層和X個(gè)Res unint模塊Concate組成。
SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，進(jìn)行多尺度融合。
其他基礎(chǔ)操作：
Concat：張量拼接，維度會(huì)擴(kuò)充，和Yolov3中的解釋一樣，對(duì)應(yīng)于cfg文件中的route操作。
add：張量相加，不會(huì)擴(kuò)充維度，對(duì)應(yīng)于cfg文件中的shortcut操作。
Backbone中卷積層的數(shù)量：
和Yolov3一樣，再來數(shù)一下Backbone里面的卷積層數(shù)量。
每個(gè)CSPX中包含3+2*X個(gè)卷積層，因此整個(gè)主干網(wǎng)絡(luò)Backbone中一共包含2+（3+2*1）+2+（3+2*2）+2+（3+2*8）+2+（3+2*8）+2+（3+2*4）+1=72。
這里大白有些疑惑，按照Yolov3設(shè)計(jì)的傳統(tǒng)，這么多卷積層，主干網(wǎng)絡(luò)不應(yīng)該叫CSPDaeknet73嗎？？？？
4.3 核心基礎(chǔ)內(nèi)容
Yolov4本質(zhì)上和Yolov3相差不大，可能有些人會(huì)覺得失望。
但我覺得算法創(chuàng)新分為三種方式：
第一種：面目一新的創(chuàng)新，比如Yolov1、Faster-RCNN、Centernet等，開創(chuàng)出新的算法領(lǐng)域，不過這種也是最難的
第二種：守正出奇的創(chuàng)新，比如將圖像金字塔改進(jìn)為特征金字塔
第三種：各種先進(jìn)算法集成的創(chuàng)新，比如不同領(lǐng)域發(fā)表的最新論文的tricks，集成到自己的算法中，卻發(fā)現(xiàn)有出乎意料的改進(jìn)
Yolov4既有第二種也有第三種創(chuàng)新，組合嘗試了大量深度學(xué)習(xí)領(lǐng)域最新論文的20多項(xiàng)研究成果，而且不得不佩服的是作者Alexey在github代碼庫維護(hù)的頻繁程度。
目前Yolov4代碼的star數(shù)量已經(jīng)1萬多，據(jù)我所了解，目前超過這個(gè)數(shù)量的，目標(biāo)檢測(cè)領(lǐng)域只有Facebook的Detectron(v1-v2)、和Yolo(v1-v3)官方代碼庫（已停止更新）。
所以Yolov4中的各種創(chuàng)新方式，大白覺得還是很值得仔細(xì)研究的。
為了便于分析，將Yolov4的整體結(jié)構(gòu)拆分成四大板塊：
大白主要從以上4個(gè)部分對(duì)YoloV4的創(chuàng)新之處進(jìn)行講解，讓大家一目了然。
輸入端：這里指的創(chuàng)新主要是訓(xùn)練時(shí)對(duì)輸入端的改進(jìn)，主要包括Mosaic數(shù)據(jù)增強(qiáng)、cmBN、SAT自對(duì)抗訓(xùn)練
BackBone主干網(wǎng)絡(luò)：將各種新的方式結(jié)合起來，包括：CSPDarknet53、Mish激活函數(shù)、Dropblock
Neck：目標(biāo)檢測(cè)網(wǎng)絡(luò)在BackBone和最后的輸出層之間往往會(huì)插入一些層，比如Yolov4中的SPP模塊、FPN+PAN結(jié)構(gòu)
Prediction：輸出層的錨框機(jī)制和Yolov3相同，主要改進(jìn)的是訓(xùn)練時(shí)的損失函數(shù)CIOU_Loss，以及預(yù)測(cè)框篩選的nms變?yōu)?span style="font-weight: 600;">DIOU_nms
總體來說，Yolov4對(duì)Yolov3的各個(gè)部分都進(jìn)行了改進(jìn)優(yōu)化，下面丟上作者的算法對(duì)比圖。
僅對(duì)比Yolov3和Yolov4，在COCO數(shù)據(jù)集上，同樣的FPS等于83左右時(shí)，Yolov4的AP是43，而Yolov3是33，直接上漲了10個(gè)百分點(diǎn)。
不得不服，當(dāng)然可能針對(duì)具體不同的數(shù)據(jù)集效果也不一樣，但總體來說，改進(jìn)效果是很優(yōu)秀的，下面大白對(duì)Yolov4的各個(gè)創(chuàng)新點(diǎn)繼續(xù)進(jìn)行深挖。
4.3.1 輸入端創(chuàng)新
考慮到很多同學(xué)GPU顯卡數(shù)量并不是很多，Yolov4對(duì)訓(xùn)練時(shí)的輸入端進(jìn)行改進(jìn)，使得訓(xùn)練在單張GPU上也能有不錯(cuò)的成績(jī)。比如數(shù)據(jù)增強(qiáng)Mosaic、cmBN、SAT自對(duì)抗訓(xùn)練。
但感覺cmBN和SAT影響并不是很大，所以這里主要講解Mosaic數(shù)據(jù)增強(qiáng)。
（1）Mosaic數(shù)據(jù)增強(qiáng)
Yolov4中使用的Mosaic是參考2019年底提出的CutMix數(shù)據(jù)增強(qiáng)的方式，但CutMix只使用了兩張圖片進(jìn)行拼接，而Mosaic數(shù)據(jù)增強(qiáng)則采用了4張圖片，隨機(jī)縮放、隨機(jī)裁剪、隨機(jī)排布的方式進(jìn)行拼接。
這里首先要了解為什么要進(jìn)行Mosaic數(shù)據(jù)增強(qiáng)呢？
在平時(shí)項(xiàng)目訓(xùn)練時(shí)，小目標(biāo)的AP一般比中目標(biāo)和大目標(biāo)低很多。而Coco數(shù)據(jù)集中也包含大量的小目標(biāo)，但比較麻煩的是小目標(biāo)的分布并不均勻。
首先看下小、中、大目標(biāo)的定義：
2019年發(fā)布的論文《Augmentation for small object detection》對(duì)此進(jìn)行了區(qū)分：
可以看到小目標(biāo)的定義是目標(biāo)框的長(zhǎng)寬0×0~32×32之間的物體。
但在整體的數(shù)據(jù)集中，小、中、大目標(biāo)的占比并不均衡。
如上表所示，Coco數(shù)據(jù)集中小目標(biāo)占比達(dá)到41.4%，數(shù)量比中目標(biāo)和大目標(biāo)都要多。
但在所有的訓(xùn)練集圖片中，只有52.3%的圖片有小目標(biāo)，而中目標(biāo)和大目標(biāo)的分布相對(duì)來說更加均勻一些。
針對(duì)這種狀況，Yolov4的作者采用了Mosaic數(shù)據(jù)增強(qiáng)的方式。
主要有幾個(gè)優(yōu)點(diǎn)：
豐富數(shù)據(jù)集：隨機(jī)使用4張圖片，隨機(jī)縮放，再隨機(jī)分布進(jìn)行拼接，大大豐富了檢測(cè)數(shù)據(jù)集，特別是隨機(jī)縮放增加了很多小目標(biāo)，讓網(wǎng)絡(luò)的魯棒性更好。
減少GPU：可能會(huì)有人說，隨機(jī)縮放，普通的數(shù)據(jù)增強(qiáng)也可以做，但作者考慮到很多人可能只有一個(gè)GPU，因此Mosaic增強(qiáng)訓(xùn)練時(shí)，可以直接計(jì)算4張圖片的數(shù)據(jù)，使得Mini-batch大小并不需要很大，一個(gè)GPU就可以達(dá)到比較好的效果。
此外，發(fā)現(xiàn)另一研究者的訓(xùn)練方式也值得借鑒，采用的數(shù)據(jù)增強(qiáng)和Mosaic比較類似，也是使用4張圖片（不是隨機(jī)分布），但訓(xùn)練計(jì)算loss時(shí)，采用“缺啥補(bǔ)啥”的思路：
如果上一個(gè)iteration中，小物體產(chǎn)生的loss不足（比如小于某一個(gè)閾值），則下一個(gè)iteration就用拼接圖；否則就用正常圖片訓(xùn)練，也很有意思。
參考鏈接：https://www.zhihu.com/question/390191723?rf=390194081
4.3.2 BackBone創(chuàng)新
（1）CSPDarknet53
CSPDarknet53是在Yolov3主干網(wǎng)絡(luò)Darknet53的基礎(chǔ)上，借鑒2019年CSPNet的經(jīng)驗(yàn)，產(chǎn)生的Backbone結(jié)構(gòu)，其中包含了5個(gè)CSP模塊。
這里因?yàn)?span style="font-weight: 600;">CSP模塊比較長(zhǎng)，不放到本處，大家也可以點(diǎn)擊Yolov4的netron網(wǎng)絡(luò)結(jié)構(gòu)圖，對(duì)比查看，一目了然。
每個(gè)CSP模塊前面的卷積核的大小都是3*3，因此可以起到下采樣的作用。
因?yàn)锽ackbone有5個(gè)CSP模塊，輸入圖像是608*608，所以特征圖變化的規(guī)律是：608->304->152->76->38->19
經(jīng)過5次CSP模塊后得到19*19大小的特征圖。
而且作者只在Backbone中采用了Mish激活函數(shù)，網(wǎng)絡(luò)后面仍然采用Leaky_relu激活函數(shù)。
我們?cè)倏纯聪伦髡邽樯兑獏⒖?019年的CSPNet，采用CSP模塊？
CSPNet論文地址：arxiv.org/pdf/1911.1192
CSPNet全稱是Cross Stage Paritial Network，主要從網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)的角度解決推理中從計(jì)算量很大的問題。
CSPNet的作者認(rèn)為推理計(jì)算過高的問題是由于網(wǎng)絡(luò)優(yōu)化中的梯度信息重復(fù)導(dǎo)致的。
因此采用CSP模塊先將基礎(chǔ)層的特征映射劃分為兩部分，然后通過跨階段層次結(jié)構(gòu)將它們合并，在減少了計(jì)算量的同時(shí)可以保證準(zhǔn)確率。
因此Yolov4在主干網(wǎng)絡(luò)Backbone采用CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)，主要有三個(gè)方面的優(yōu)點(diǎn)：
優(yōu)點(diǎn)一：增強(qiáng)CNN的學(xué)習(xí)能力，使得在輕量化的同時(shí)保持準(zhǔn)確性。
優(yōu)點(diǎn)二：降低計(jì)算瓶頸
優(yōu)點(diǎn)三：降低內(nèi)存成本
（2）Mish激活函數(shù)
Mish激活函數(shù)是2019年下半年提出的激活函數(shù)
論文地址：arxiv.org/abs/1908.0868
和Leaky_relu激活函數(shù)的圖形對(duì)比如下：
Yolov4的Backbone中都使用了Mish激活函數(shù)，而后面的網(wǎng)絡(luò)則還是使用leaky_relu函數(shù)。
Yolov4作者實(shí)驗(yàn)測(cè)試時(shí)，使用CSPDarknet53網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上做圖像分類任務(wù)，發(fā)現(xiàn)使用了Mish激活函數(shù)的TOP-1和TOP-5的精度比沒有使用時(shí)都略高一些。
因此在設(shè)計(jì)Yolov4目標(biāo)檢測(cè)任務(wù)時(shí)，主干網(wǎng)絡(luò)Backbone還是使用Mish激活函數(shù)。
（3）Dropblock
Yolov4中使用的Dropblock，其實(shí)和常見網(wǎng)絡(luò)中的Dropout功能類似，也是緩解過擬合的一種正則化方式。
Dropblock在2018年提出，論文地址：arxiv.org/pdf/1810.1289
傳統(tǒng)的Dropout很簡(jiǎn)單，一句話就可以說的清：隨機(jī)刪除減少神經(jīng)元的數(shù)量，使網(wǎng)絡(luò)變得更簡(jiǎn)單。
而Dropblock和Dropout相似，比如下圖：
中間Dropout的方式會(huì)隨機(jī)的刪減丟棄一些信息，但Dropblock的研究者認(rèn)為，卷積層對(duì)于這種隨機(jī)丟棄并不敏感，因?yàn)榫矸e層通常是三層連用：卷積+激活+池化層，池化層本身就是對(duì)相鄰單元起作用。而且即使隨機(jī)丟棄，卷積層仍然可以從相鄰的激活單元學(xué)習(xí)到相同的信息。
因此，在全連接層上效果很好的Dropout在卷積層上效果并不好。
所以右圖Dropblock的研究者則干脆整個(gè)局部區(qū)域進(jìn)行刪減丟棄。
這種方式其實(shí)是借鑒2017年的cutout數(shù)據(jù)增強(qiáng)的方式，cutout是將輸入圖像的部分區(qū)域清零，而Dropblock則是將Cutout應(yīng)用到每一個(gè)特征圖。而且并不是用固定的歸零比率，而是在訓(xùn)練時(shí)以一個(gè)小的比率開始，隨著訓(xùn)練過程線性的增加這個(gè)比率。
Dropblock的研究者與Cutout進(jìn)行對(duì)比驗(yàn)證時(shí)，發(fā)現(xiàn)有幾個(gè)特點(diǎn)：
優(yōu)點(diǎn)一：Dropblock的效果優(yōu)于Cutout
優(yōu)點(diǎn)二：Cutout只能作用于輸入層，而Dropblock則是將Cutout應(yīng)用到網(wǎng)絡(luò)中的每一個(gè)特征圖上
優(yōu)點(diǎn)三：Dropblock可以定制各種組合，在訓(xùn)練的不同階段可以修改刪減的概率，從空間層面和時(shí)間層面，和Cutout相比都有更精細(xì)的改進(jìn)。
Yolov4中直接采用了更優(yōu)的Dropblock，對(duì)網(wǎng)絡(luò)的正則化過程進(jìn)行了全面的升級(jí)改進(jìn)。
4.3.3 Neck創(chuàng)新
在目標(biāo)檢測(cè)領(lǐng)域，為了更好的提取融合特征，通常在Backbone和輸出層，會(huì)插入一些層，這個(gè)部分稱為Neck。相當(dāng)于目標(biāo)檢測(cè)網(wǎng)絡(luò)的頸部，也是非常關(guān)鍵的。
Yolov4的Neck結(jié)構(gòu)主要采用了SPP模塊、FPN+PAN的方式。
（1）SPP模塊
SPP模塊，其實(shí)在Yolov3中已經(jīng)存在了，在Yolov4的C++代碼文件夾中有一個(gè)Yolov3_spp版本，但有的同學(xué)估計(jì)從來沒有使用過，在Yolov4中，SPP模塊仍然是在Backbone主干網(wǎng)絡(luò)之后：
作者在SPP模塊中，使用k={1*1,5*5,9*9,13*13}的最大池化的方式，再將不同尺度的特征圖進(jìn)行Concat操作。
在《DC-SPP-Yolo》文章：
也對(duì)Yolo目標(biāo)檢測(cè)的SPP模塊進(jìn)行了對(duì)比測(cè)試。
和Yolov4作者的研究相同，采用SPP模塊的方式，比單純的使用k*k最大池化的方式，更有效的增加主干特征的接收范圍，顯著的分離了最重要的上下文特征。
Yolov4的作者在使用608*608大小的圖像進(jìn)行測(cè)試時(shí)發(fā)現(xiàn)，在COCO目標(biāo)檢測(cè)任務(wù)中，以0.5%的額外計(jì)算代價(jià)將AP50增加了2.7%，因此Yolov4中也采用了SPP模塊。
（2）FPN+PAN
PAN結(jié)構(gòu)比較有意思，看了網(wǎng)上Yolov4關(guān)于這個(gè)部分的講解，大多都是講的比較籠統(tǒng)的，而PAN是借鑒圖像分割領(lǐng)域PANet的創(chuàng)新點(diǎn)，有些同學(xué)可能不是很清楚。
下面大白將這個(gè)部分拆解開來，看下Yolov4中是如何設(shè)計(jì)的。
Yolov3結(jié)構(gòu)：
我們先來看下Yolov3中Neck的FPN結(jié)構(gòu)
可以看到經(jīng)過幾次下采樣，三個(gè)紫色箭頭指向的地方，輸出分別是76*76、38*38、19*19。
以及最后的Prediction中用于預(yù)測(cè)的三個(gè)特征圖①19*19*255、②38*38*255、③76*76*255。
我們將Neck部分用立體圖畫出來，更直觀的看下兩部分之間是如何通過FPN結(jié)構(gòu)融合的。
如圖所示，F(xiàn)PN是自頂向下的，將高層的特征信息通過上采樣的方式進(jìn)行傳遞融合，得到進(jìn)行預(yù)測(cè)的特征圖。
Yolov4結(jié)構(gòu)：
而Yolov4中Neck這部分除了使用FPN外，還在此基礎(chǔ)上使用了PAN結(jié)構(gòu)：
前面CSPDarknet53中講到，每個(gè)CSP模塊前面的卷積核都是3*3大小，相當(dāng)于下采樣操作。
因此可以看到三個(gè)紫色箭頭處的特征圖是76*76、38*38、19*19。
以及最后Prediction中用于預(yù)測(cè)的三個(gè)特征圖：①76*76*255，②38*38*255，③19*19*255。
我們也看下Neck部分的立體圖像，看下兩部分是如何通過FPN+PAN結(jié)構(gòu)進(jìn)行融合的。
和Yolov3的FPN層不同，Yolov4在FPN層的后面還添加了一個(gè)自底向上的特征金字塔。
其中包含兩個(gè)PAN結(jié)構(gòu)。
這樣結(jié)合操作，F(xiàn)PN層自頂向下傳達(dá)強(qiáng)語義特征，而特征金字塔則自底向上傳達(dá)強(qiáng)定位特征，兩兩聯(lián)手，從不同的主干層對(duì)不同的檢測(cè)層進(jìn)行參數(shù)聚合,這樣的操作確實(shí)很皮。
FPN+PAN借鑒的是18年CVPR的PANet，當(dāng)時(shí)主要應(yīng)用于圖像分割領(lǐng)域，但Alexey將其拆分應(yīng)用到Y(jié)olov4中，進(jìn)一步提高特征提取的能力。
不過這里需要注意幾點(diǎn)：
注意一：
Yolov3的FPN層輸出的三個(gè)大小不一的特征圖①②③直接進(jìn)行預(yù)測(cè)
但Yolov4的FPN層，只使用最后的一個(gè)76*76特征圖①，而經(jīng)過兩次PAN結(jié)構(gòu)，輸出預(yù)測(cè)的特征圖②和③。
這里的不同也體現(xiàn)在cfg文件中，這一點(diǎn)有很多同學(xué)之前不太明白，
比如Yolov3.cfg最后的三個(gè)Yolo層，
第一個(gè)Yolo層是最小的特征圖19*19，mask=6,7,8，對(duì)應(yīng)最大的anchor box。
第二個(gè)Yolo層是中等的特征圖38*38，mask=3,4,5，對(duì)應(yīng)中等的anchor box。
第三個(gè)Yolo層是最大的特征圖76*76，mask=0,1,2，對(duì)應(yīng)最小的anchor box。
而Yolov4.cfg則恰恰相反
第一個(gè)Yolo層是最大的特征圖76*76，mask=0,1,2，對(duì)應(yīng)最小的anchor box。
第二個(gè)Yolo層是中等的特征圖38*38，mask=3,4,5，對(duì)應(yīng)中等的anchor box。
第三個(gè)Yolo層是最小的特征圖19*19，mask=6,7,8，對(duì)應(yīng)最大的anchor box。
注意點(diǎn)二：
原本的PANet網(wǎng)絡(luò)的PAN結(jié)構(gòu)中，兩個(gè)特征圖結(jié)合是采用shortcut操作，而Yolov4中則采用concat（route）操作，特征圖融合后的尺寸發(fā)生了變化。
這里也可以對(duì)應(yīng)Yolov4的netron網(wǎng)絡(luò)圖查看，很有意思。
4.3.4 Prediction創(chuàng)新
（1）CIOU_loss
目標(biāo)檢測(cè)任務(wù)的損失函數(shù)一般由Classificition Loss（分類損失函數(shù)）和Bounding Box Regeression Loss（回歸損失函數(shù)）兩部分構(gòu)成。
Bounding Box Regeression的Loss近些年的發(fā)展過程是：Smooth L1 Loss-> IoU Loss（2016）-> GIoU Loss（2019）-> DIoU Loss（2020）->CIoU Loss（2020）
我們從最常用的IOU_Loss開始，進(jìn)行對(duì)比拆解分析，看下Yolov4為啥要選擇CIOU_Loss。
a.IOU_Loss
可以看到IOU的loss其實(shí)很簡(jiǎn)單，主要是交集/并集，但其實(shí)也存在兩個(gè)問題。
問題1：即狀態(tài)1的情況，當(dāng)預(yù)測(cè)框和目標(biāo)框不想交時(shí)，IOU=0，無法反應(yīng)兩個(gè)框距離的遠(yuǎn)近，此時(shí)損失函數(shù)不可導(dǎo)，IOU_Loss無法優(yōu)化兩個(gè)框不相交的情況。
問題2：即狀態(tài)2和狀態(tài)3的情況，當(dāng)兩個(gè)預(yù)測(cè)框大小相同，兩個(gè)IOU也相同，IOU_Loss無法區(qū)分兩者相交情況的不同。
因此2019年出現(xiàn)了GIOU來進(jìn)行改進(jìn)。
b.GIOU_Loss
可以看到右圖
GIOU_中，增加了相交尺度的衡量方式，緩解了單純IOU時(shí)的尷尬。
但為什么僅僅說緩解呢？
因?yàn)檫€存在一種不足：
問題：狀態(tài)1、2、3都是預(yù)測(cè)框在目標(biāo)框內(nèi)部且預(yù)測(cè)框大小一致的情況，這時(shí)預(yù)測(cè)框和目標(biāo)框的差集都是相同的，因此這三種狀態(tài)的GIOU值也都是相同的，這時(shí)GIOU退化成了IOU，無法區(qū)分相對(duì)位置關(guān)系。
基于這個(gè)問題，2020年的AAAI又提出了DIOU_Loss。
c.DIOU_Loss
好的目標(biāo)框回歸函數(shù)應(yīng)該考慮三個(gè)重要幾何因素：重疊面積、中心點(diǎn)距離，長(zhǎng)寬比。
針對(duì)IOU和GIOU存在的問題，作者從兩個(gè)方面進(jìn)行考慮
一：如何最小化預(yù)測(cè)框和目標(biāo)框之間的歸一化距離？
二：如何在預(yù)測(cè)框和目標(biāo)框重疊時(shí)，回歸的更準(zhǔn)確？
針對(duì)第一個(gè)問題，提出了DIOU_Loss（Distance_IOU_Loss）
DIOU_Loss考慮了重疊面積和中心點(diǎn)距離，當(dāng)目標(biāo)框包裹預(yù)測(cè)框的時(shí)候，直接度量2個(gè)框的距離，因此DIOU_Loss收斂的更快。
但就像前面好的目標(biāo)框回歸函數(shù)所說的，沒有考慮到長(zhǎng)寬比。
比如上面三種情況，目標(biāo)框包裹預(yù)測(cè)框，本來DIOU_Loss可以起作用。
但預(yù)測(cè)框的中心點(diǎn)的位置都是一樣的，因此按照DIOU_Loss的計(jì)算公式，三者的值都是相同的。
針對(duì)這個(gè)問題，又提出了CIOU_Loss，不對(duì)不說，科學(xué)總是在解決問題中，不斷進(jìn)步??！
d.CIOU_Loss
CIOU_Loss和DIOU_Loss前面的公式都是一樣的，不過在此基礎(chǔ)上還增加了一個(gè)影響因子，將預(yù)測(cè)框和目標(biāo)框的長(zhǎng)寬比都考慮了進(jìn)去。
其中v是衡量長(zhǎng)寬比一致性的參數(shù)，我們也可以定義為：
這樣CIOU_Loss就將目標(biāo)框回歸函數(shù)應(yīng)該考慮三個(gè)重要幾何因素：重疊面積、中心點(diǎn)距離，長(zhǎng)寬比全都考慮進(jìn)去了。
再來綜合的看下各個(gè)Loss函數(shù)的不同點(diǎn)：
IOU_Loss：主要考慮檢測(cè)框和目標(biāo)框重疊面積。
GIOU_Loss：在IOU的基礎(chǔ)上，解決邊界框不重合時(shí)的問題。
DIOU_Loss：在IOU和GIOU的基礎(chǔ)上，考慮邊界框中心點(diǎn)距離的信息。
CIOU_Loss：在DIOU的基礎(chǔ)上，考慮邊界框?qū)捀弑鹊某叨刃畔ⅰ?/p>
Yolov4中采用了CIOU_Loss的回歸方式，使得預(yù)測(cè)框回歸的速度和精度更高一些。
（2）DIOU_nms
Nms主要用于預(yù)測(cè)框的篩選，常用的目標(biāo)檢測(cè)算法中，一般采用普通的nms的方式，Yolov4則借鑒上面D/CIOU loss的論文：arxiv.org/pdf/1911.0828
將其中計(jì)算IOU的部分替換成DIOU的方式：
再來看下實(shí)際的案例
在上圖重疊的摩托車檢測(cè)中，中間的摩托車因?yàn)榭紤]邊界框中心點(diǎn)的位置信息，也可以回歸出來。
因此在重疊目標(biāo)的檢測(cè)中，DIOU_nms的效果優(yōu)于傳統(tǒng)的nms。
總體來說，YOLOv4的論文稱的上良心之作，將近幾年關(guān)于深度學(xué)習(xí)領(lǐng)域最新研究的tricks移植到Y(jié)olov4中做驗(yàn)證測(cè)試，將Yolov3的精度提高了不少。
雖然沒有全新的創(chuàng)新，但很多改進(jìn)之處都值得借鑒，借用Yolov4作者的總結(jié)。
Yolov4 主要帶來了 3 點(diǎn)新貢獻(xiàn)：
（1）提出了一種高效而強(qiáng)大的目標(biāo)檢測(cè)模型，使用 1080Ti 或 2080Ti 就能訓(xùn)練出超快、準(zhǔn)確的目標(biāo)檢測(cè)器。
（2）在檢測(cè)器訓(xùn)練過程中，驗(yàn)證了最先進(jìn)的一些研究成果對(duì)目標(biāo)檢測(cè)器的影響。
（3）改進(jìn)了 SOTA 方法，使其更有效、更適合單 GPU 訓(xùn)練。
5.YoloV4相關(guān)代碼
5.1 python代碼
代碼地址：https://github.com/Tianxiaomo/pytorch-Yolov4
作者的訓(xùn)練和測(cè)試推理代碼都已經(jīng)完成
5.2 C++代碼
Yolov4作者Alexey的代碼，俄羅斯的大神，應(yīng)該是個(gè)獨(dú)立研究員，更新算法的頻繁程度令人佩服。
在Yolov3作者Joseph Redmon宣布停止更新Yolo算法之后，Alexey憑借對(duì)于Yolov3算法的不斷探索研究，贏得了Yolov3作者的認(rèn)可，發(fā)布了Yolov4。
代碼地址：github.com/AlexeyAB/darknet
5.3 python版本的Tensorrt代碼
目前測(cè)試有效的有tensorflow版本：weights->pb->trt
代碼地址：https://github.com/hunglc007/tensorflow-Yolov4-tflite
5.4 C++版本的Tensorrtrt代碼
代碼地址：https://github.com/wang-xinyu/tensorrtx/tree/master/Yolov4
作者自定義了mish激活函數(shù)的plugin層，Tensorrt加速后速度還是挺快的。
6.相關(guān)數(shù)據(jù)集下載
項(xiàng)目中，目標(biāo)檢測(cè)算法應(yīng)該的非常多非常多，比如人臉識(shí)別，比如疫情期間的口罩人臉識(shí)別，比如車流統(tǒng)計(jì)，人流統(tǒng)計(jì)等等。
因此大白也會(huì)將不錯(cuò)的值得一試的目標(biāo)檢測(cè)數(shù)據(jù)集匯總到此處，方便需要的同學(xué)進(jìn)行下載。
6.1 口罩遮擋人臉數(shù)據(jù)集
數(shù)據(jù)集詳情：由武漢大學(xué)多媒體研究中心發(fā)起，目前是全球最大的口罩遮擋人臉數(shù)據(jù)集。
分為真實(shí)口罩人臉和模擬口罩人臉兩部分，真實(shí)口罩人臉包含525人的5000張口罩人臉和9萬張正常人臉。模擬口罩人臉包含1萬個(gè)人共50萬張模擬人臉數(shù)據(jù)集。
應(yīng)用項(xiàng)目：人臉檢測(cè)、人臉識(shí)別
數(shù)據(jù)集地址：https://github.com/X-zhangyang/Real-World-Masked-Face-Dataset
6.2 Wider Face人臉數(shù)據(jù)集
數(shù)據(jù)集詳情：香港中文大學(xué)發(fā)起的，包含3萬張圖片共40萬張人臉。
應(yīng)用項(xiàng)目：人臉檢測(cè)
數(shù)據(jù)集地址：http://shuoyang1213.me/WIDERFACE/WiderFace_Results.html
6.3 Wider Person擁擠場(chǎng)景行人數(shù)據(jù)集
數(shù)據(jù)集詳情：多種場(chǎng)景比較擁擠場(chǎng)景的行人檢測(cè)數(shù)據(jù)集，包含13382張圖片，共計(jì)40萬個(gè)不同遮擋程度的人體。
應(yīng)用項(xiàng)目：人體檢測(cè)
數(shù)據(jù)集地址：http://www.cbsr.ia.ac.cn/users/sfzhang/WiderPerson/
因?yàn)楣ぷ髟?，?huì)搜集大量的各類公開應(yīng)用場(chǎng)景數(shù)據(jù)集，如果有同學(xué)需要其他場(chǎng)景或者其他項(xiàng)目的，也可以留言，或者發(fā)送郵件到j(luò)[email protected]，也會(huì)將對(duì)應(yīng)的數(shù)據(jù)集更新到此處。
7.不斷更新ing
在深度學(xué)習(xí)的圖像領(lǐng)域，肯定會(huì)涉及目標(biāo)檢測(cè)，而在目標(biāo)檢測(cè)中，Yolov3是非常經(jīng)典，必須要學(xué)習(xí)的算法，有些同學(xué)，特別新接觸的同學(xué)，剛學(xué)習(xí)時(shí)會(huì)覺得yolo算法很繁瑣。
但我發(fā)現(xiàn)，網(wǎng)上很多的教程其實(shí)講的還是比較籠統(tǒng)，并不適合小白學(xué)習(xí)。
所以大白也在耗盡洪荒之力，在準(zhǔn)備Yolov3和Yolov4及相關(guān)的基礎(chǔ)入門視頻，讓大家看完就能明白整體的流程和各種算法細(xì)節(jié)，大家可以先收藏，后期制作好后會(huì)更新到此處。
希望和大家一起努力，在人工智能深度學(xué)習(xí)領(lǐng)域一起進(jìn)步，一起提升，一起變強(qiáng)！
推薦閱讀
VoVNet：實(shí)時(shí)目標(biāo)檢測(cè)的新backbone網(wǎng)絡(luò)
機(jī)器學(xué)習(xí)算法工程師
? ??? ? ? ? ? ? ? ? ? ? ? ??????????????????一個(gè)用心的公眾號(hào)
?
