目标检测算法——YOLOv4_目标检测模型参数量

---

以下内容如有错误，恳请指出。
而且查阅参考的资料也有点多，参考链接若有遗落，也恳请指出，会立刻补上

---

以下先回顾一下之前的笔记总结：

YOLOv1：目标检测算法——YOLOv1
YOLOv2：目标检测算法——YOLOv2
YOLOv3：目标检测算法——YOLOv3

在前面的目标检测算法笔记中，已经介绍了YOLOv1，v2，v3的版本，其中本来还想记录一下YOLOv3的一些改进版本的，比如：YOLOv3-SPP，SlimYOLOv3-SPP， YOLOv3-SPP-Ultralytics。通过学习了一些b站的相关讲解视频与一些相关的博客，也知道了这些版本的一点区别。

以下对YOLOv3的几个版本进行简要概括：

• YOLOv3-SPP版本：实际上只是增加了SPP 模块，也就是对于backbone作了适当的改变，添加了一个多尺寸的特征融合。（相关的SPP结构可以参考：Spatial Pyramid Pooling）
• SlimYOLOv3-SPP版本：《SlimYOLOv3: Narrower, Faster and Better for Real-Time UAV Applications》是arXiv， 25 Jul 2019的论文，好像是用于无人机的目标检测算法，不太了解。（相关的内容可以参考：SlimYOLOv3）
• YOLOv3-SPP-Ultralytics版本：YOLOv3-SPP-Ultralytics好像也通常称为u版的yolov3，其是一个github上的开源项目。在原本yolov3的基础上，使用了一些tricks，比如Mosaic图像增强，spp模块，clou loss，focal loss等等。(focal loss好像没有被使用)然后提升了比较高的mAP。关于u版的yolov3我好像没怎么查到相关的讲解资料，想了解的话只能自己看代码了。（具体代码可以参考github内容：yolov3-spp-Ultralytics）

下图是一些版本之间的对比：
YOLOv3-SPP与YOLOv3-SPP-Ultralytics的对比

YOLOv3-SPP与SlimYOLOv3-SPP的对比

后来在寻找资料的过程中，发现了YOLOv4中对深度学习中一些常用Tricks进行了大量的测试，然后这些tricks本身就包含了刚刚提及版本所使用的tricks。然后我就觉得没有必要记录yolov3的其他版本了，然后本人就打算直接通过yolov4来学习这些常用的tricks，以下内容开始正题。

1.YOLOv4简介

在深度学习中，有很多技巧可以提高卷积神经网络的检测精度。有些技巧只能针对特定的模型，而有些技巧适用于大多数模型、任务和数据集，比如batch-normalization、residual-connections等。

所有的这些技巧只有通过实际的实验，才能证明其有效性。YOLOv4就对其中的一些常用技巧进行了大量的测试，最终选择了一些有用的tricks。

关于Bag of Freebies与Bag of Specials的概念下面会进行概括

• Bag of Freebies (BoF) for backbone:

CutMix and Mosaic data augmentation, DropBlock regularization,Class label smoothing

• Bag of Specials (BoS) for backbone:

Mish activation, Cross-stage partial connections (CSP), Multiinput weighted residual connections (MiWRC)

• Bag of Freebies (BoF) for detector:

CIoU-loss, CmBN, DropBlock regularization, Mosaic data augmentation, Self-Adversarial Training, Eliminate grid sensitivity, Using multiple anchors for a single ground truth, Cosine annealing scheduler, Optimal hyperparameters, Random training shapes

• Bag of Specials (BoS) for detector:

Mish activation, SPP-block, SAM-block, PAN path-aggregation block, DIoU-NMS

YOLOv4在传统的YOLO基础上，加入了这些实用的技巧，实现了检测速度和精度的最佳权衡。实验表明，在Tesla V100上，对MS COCO数据集的实时检测速度达到65 FPS，精度达到43.5%AP。

YOLOv4的主要贡献：

1. 我们开发了一个高效而强大的目标检测模型。它使每个人都可以使用1080ti或2080ti GPU来训练一个超级快速和准确的物体探测器。
2. 我们验证了最先进的Bag-ofFreebies和Bag-of-Specials目标检测方法在检测器训练过程中的影响。
3. 我们修改了最先进的方法，使它们更有效，适合于单个GPU训练，包括CBN， PAN ， SAM等

2.YOLOv4相关工作

1）对象检测模型

yolov4概括性地提出了一个目标检测的模型一般包含哪几种方面：一个是特征提取的backbone，还有一个是用于分类与预测边界框的head。而在backbone与head之间，为了更好的从不同层次的特征图中采集特征，会添加一些形如FPN的额外结构，yolov4中将其称之为neck。（很形象的就是头与躯干之间的内容就是靠颈来连接）

• backbone

一般来说，如果是GPU跑的backbone主要是：VGG，ResNet，ResNeXt，DenseNet；而如果是CPU跑的backbone，需要的是轻量级网络，所以主要是：SqueezeNet，MobileNet，ShuffleNet

其中：对于VGG，ResNet，ResNeXt，MobileNet，ShuffleNet在我之前的博客有介绍过。

• head

对与head部分，一般也分两个部分，一个用于one-step的目标检测，另外的two-step的目标检测。比较有代表性的two-step的网络有：RCNN系列（RCNN,Fast RCNN,Faster RCNN），还有R-FCN，Libra R-CNN。同时two-step网络中还有anchor-free 结构的网络。而one-stage的目标检测网络有：SSD，YOLO，RetinaNet。同样的，one-step网络也有anchor-free 结构的网络。

其中：对于RCNN，Fast RCNN，Faster RCNN，SSD，YOLO在我之前的博客也有介绍过。

• neck

近年来发展起来的目标探测器通常在主干和头部之间插入一些层，这些层通常用于收集不同阶段的特征图。我们可以称它为目标检测的颈部。通常，一个颈是由几个自底向上的路径和几个自顶向下的路径组成。比如有FPN,BiFPN等等。

综上所述，一个普通的目标探测器由以下几个部分组成:

下面内容会介绍yolov4的两个重要概念：Bag of freebies与Bag of specials，它将一些tricks都总归类成了这两类

2）Bag of freebies（免费包）

我们把这些只会改变培训策略或只会增加培训成本的方法称为“bag of freebies”。

详细的“bag of freebies”概念总结，见链接：YOLOv4中的tricks概念总结——Bag of freebies

3）Bag of specials（特价包）

对于那些只增加少量推理成本，却能显著提高目标检测准确率的插件模块和后处理方法，我们称之为“Bag of specials”。

详细的“bag of specials”概念总结，见链接：YOLOv4中的tricks概念总结——Bag of specials

3.YOLOv4网络结构

YOLOv4 = CSPDarknet53（主干） + SPP附加模块（颈） + PANet路径聚合（颈） + YOLOv3（头部）

完整的网络结构图如下：

YOLOv4的网络结构是由 CSPDarknet53、 SPP、 PANet、YOLOv3头部等组成，下面对各部分逐一讲解：

1）CSPDarknet53

CSP结构就是将输出的特征图按channels均分两半，感觉理解了这个其他就没什么好说的了。下面贴两张图，对比去看就知道怎么回事了。

一共有5个CSP结构，所以每次输出的特征图在这里都会进行均分两份。

参考链接：https://www.cnblogs.com/yymn/articles/13672236.html

参考链接：https://blog.csdn.net/nan355655600/article/details/106246422
这张图片比较长，就不放在这里了。

2）SPP

在YOLOv4中的tricks概念总结——Bag of specials中有介绍

SPP在YOLOv4中的结构为：

3）PANet

双塔结构

• FPN发表于CVPR2017，主要是通过融合高低层特征提升目标检测的效果，尤其可以提高小尺寸目标的检测效果。
• Bottom-up Path Augmentation的引入主要是考虑网络浅层特征信息对于实例分割非常重要，因为浅层特征一般是边缘形状等特征。
• Adaptive Feature Pooling用来特征融合。也就是用每个ROI提取不同层的特征来做融合，这对于提升模型效果显然是有利无害。
• Fully-connected Fusion是针对原有的分割支路（FCN）引入一个前背景二分类的全连接支路，通过融合这两条支路的输出得到更加精确的分割结果。

在YOLOv4中，作者使用PANet代替YOLOv3中的FPN作为参数聚合的方法，针对不同的检测器级别从不同的主干层进行参数聚合。并且对原PANet方法进行了修改, 使用张量连接(concat)代替了原来的捷径连接(shortcut connection)。

4）YOLOv3 Head

详细见：目标检测算法——YOLOv3

在YOLOv4中，继承了YOLOv3的Head进行多尺度预测，提高了对不同size目标的检测性能。

YOLOv4学习了YOLOv3的方式，采用三个不同层级的特征图进行融合，并且继承了YOLOv3的Head。从上图可以看出，在COCO数据集上训练时，YOLOv4的3个输出张量的shape分别是：（19，19，225）、（38，38，255）、（76，76，225）。这是因为COCO有80个类别，并且每一个网格对应3个Anchor boxes，而每个要预测的bounding box对应的5个值$(t_x、t_y、t_w、t_h、t_o)$，所以有：3 x (80+5)=255 。

4.YOLOv4创新点

1）Mosaic

其他的一些数据增强的方法：见YOLOv4中的tricks概念总结——Bag of freebies

借鉴了CutMix数据增强方式的思想。CutMix数据增强方式利用两张图片进行拼接，但是Mosaic使利用四张图片进行拼接

Mosaic数据增强方法有一个优点：拥有丰富检测目标的背景，并且在BN计算的时候一次性会处理四张图片

2）Self Adversarial Training

SAT是一种自对抗训练数据增强方法，这一种新的对抗性训练方式。在第一阶段，神经网络改变原始图像而不改变网络权值。以这种方式，神经网络对自身进行对抗性攻击，改变原始图像，以制造图像上没有所需对象的欺骗。在第二阶段，用正常的方法训练神经网络去检测目标。

也就是利用了对抗攻击模型来实现数据增强，关于这方面我后面会出一个关于李宏毅课上的一个笔记。

3）CmBN

CmBN的全称是Cross mini-Batch Normalization，定义为跨小批量标准化（CmBN）。CmBN 是 CBN 的改进版本，它用来收集一个batch内多个mini-batch内的统计数据。BN、CBN和CmBN之间的区别具体如下图所示：

CBN Cross-Iteration Bach Normalization 通过泰勒多项式去估计几个连续batch的统计参数：为了适配单GPU，低batch也可以有好结果

4）modified SAM

5）modified PANet

6）DIOU_NMS

参考：https://www.cnblogs.com/yymn/articles/13672236.html

Nms主要用于预测框的筛选，常用的目标检测算法中，一般采用普通的nms的方式，Yolov4则借鉴D/CIOU loss的论文

将其中计算IOU的部分替换成DIOU的方式：再来看下实际的案例

在上图重叠的摩托车检测中，中间的摩托车因为考虑边界框中心点的位置信息，也可以回归出来。因此在重叠目标的检测中，DIOU_nms的效果优于传统的nms。

问题：这里为什么不用CIOU_nms，而用DIOU_nms?

因为前面讲到的CIOU_loss，是在DIOU_loss的基础上，添加的影响因子，包含groundtruth标注框的信息，在训练时用于回归。但在测试过程中，并没有groundtruth的信息，不用考虑影响因子，因此直接用DIOU_nms即可。

5.YOLOv4使用的一些其他方案

到最后，yolov4使用了如下的技巧与结构：

• CutMix
• Mosaic data augmentation
• DropBlock regularization
• Class label smoothing
• Mish activation
• Cross-stage partial connections (CSP)
• Multiinput weighted residual connections (MiWRC)
• CIoU-loss
• CmBN
• Self-Adversarial Training
• Eliminate grid sensitivity
• Using multiple anchors for a single ground truth
• Cosine annealing scheduler
• ptimal hyperparameters
• Random training shapes
• SPP-block
• SAM-block
• PAN path-aggregation block
• DIoU-NMS

以上大多数已有概括，现在简要讲述一些没有提及的tricks

1）Class label smoothing

[0,0,1]–>[0.01,0.01,0.98]
[…] (1-a)+a/n[1,1…](这里a=0.03 n=3）

2）Multiinput weighted residual connections

在BiFPN中，提出了多输入加权剩余连接来进行尺度级重加权，然后添加不同尺度的特征映射。

3）Eliminate grid sensitivity

为了在网格线上的相对值同样可以被检测到

原本：

由$b_x=sigmoid(t_x)+C_x$改变为$b_x=\alpha \ast sigmoid(t_x)+C_x$

简单的就是通过sigmoid乘上一个>1.0的因子，这样就不用处于无限大的时候值才等于1.现在乘上一个因子，相当于可以用一个小数也可以使得sigmoid值为1.

4）Using multiple anchors for a single ground truth

为单ground truth做多个锚点

5）Cosine annealing scheduler

一种改变学习率的方式

6）ptimal hyperparameters

通过遗传算法找到最优参数

总结：

• 与其它先进的检测器相比，对于同样的精度，YOLOv4更快（FPS）；对于同样的速度，YOLOv4更准（AP）。
• YOLOv4能在普通的GPU上训练和使用，比如GTX 1080Ti和GTX 2080Ti等。
• 论文中总结了各种Tricks（包括各种BoF和BoS），给我们启示，选择合适的Tricks来提高自己的检测器性能。

参考资料：
https://blog.csdn.net/weixin_44751294/article/details/117844557
https://blog.csdn.net/weixin_44751294/article/details/117851548
https://blog.csdn.net/weixin_44751294/article/details/117882906
https://www.bilibili.com/video/BV1yi4y1g7ro?p=4
https://blog.csdn.net/wjinjie/article/details/107509243
https://blog.csdn.net/wjinjie/article/details/107445791
https://blog.csdn.net/yzf0011/article/details/75212513
https://github.com/ultralytics/yolov3
https://www.cnblogs.com/yymn/articles/13672236.html
https://www.bilibili.com/video/BV1aK4y1k73n
https://www.bilibili.com/video/BV1pv411V7kR
https://blog.csdn.net/nan355655600/article/details/106246422
https://www.cnblogs.com/sddai/p/14760055.html

附录：
最后参考了一幅图