0


YOLOv5、YOLOX、YOLOv6的分析与比较

美团的技术团队在最近提出了YOLOv6网络模型,美团在技术文档中重点对比了前两代的YOLOv5和YOLOX,以及百度的PP-YOLOE,在对coco数据集的验证中,YOLOv6不仅识别速度更快,且准确度也更高,此次提升的效果巨大。此处,我将尽可能详细地分析YOLOv6于YOLOv5和YOLOX的区别。(YOLOv7有待更新)

对比图1

对比图2

YOLOv5:https://github.com/ultralytics/yolov5

在2020年,YOLOv4发布不久,YOLOv5就开源面世,因此网络上对YOLOv5的分析已经非常全面,如江大白老师的分析https://zhuanlan.zhihu.com/p/172121380,但后期YOLOv5又将主干网络中的Focus层换成了标准卷积,作者的解释是模型可导出性的改进,因为现在正式支持YOLOv5在11个不同的后端进行推理,其中许多为新的Conv实现提供了更好的支持,而Focus层是为了更快的初始层启动和更小的mAP影响,但其结果受到硬件设施的影响较大,许多消费卡和一些企业卡(如T4)使用Focus层可以观察到更快的性能,但在其他卡(如V100/A100)的实施中卷积的表现会更好。

YOLOv5-v6.1

在最新的6.0/6.1版本中(官方文档),主干网络和neck中选用了SiLU激活函数,并且修改了SPP模块,选用了更加简洁的SPPF作为neck,避免了三次卷积核的设置,作者也对SPP和SPPF进行了比较,SPPF在不影响mAP的情况下可以获得更快的速度和更少的FLOPs。

SPP-SPPF

在P6版本中的head仍然使用的YOLOv3的检测头,但增加了一个,一定程度上提升了网络的对不同大小目标物检测的精确度。此外,仍然使用了Mosaic、Copy paste等在线数据增强方法,也在训练过程中使用了多尺度训练(0.5-1.5x)、预热和余弦LR调度程序、EMA(指数移动平均线)等方法提升效果。

YOLOX: https://github.com/Megvii-BaseDetection/YOLOX

2021年,旷视研究院提出了YOLOX,并发表了论文YOLOX: Exceeding YOLO Series in 2021[1]。在论文中,YOLOX所选择的基线是YOLOv3-SPP版本,论文的说法是YOLOv4和YOLOv5已经过优化了,此外由于计算资源有限,各种实际应用中软件支持不足,且YOLOv3仍然是业界使用最广泛的检测器之一。

考虑到YOLOX也出了许多版本,此处我选择YOLOX-S于YOLOv5s的网络结构进行直观的比较。因为其主干网络使用了Focus和CSPDarknet53,且neck部分也采用了FPN+PAN的结构,激活函数也是YOLOv5-v6.0使用的SiLU。关于YOLOX论文中提出的YOLOX-Darknet与YOLOv3的区别,在江大白老师的文章中会更加详细https://zhuanlan.zhihu.com/p/397993315。

YOLOX
YOLOX-S的主要改进是修改了head部分的检测头,引入了Decoupled head解耦头的结构,并使用了anchor free自由锚框的方法,此外还加入了multi positives多正态和SimOTA最优传输等方法完善了预选框的筛选。在训练的方法中也使用了了EMA权值更新、Cosine学习率机制等训练技巧,而在损失函数的部分,YOLOX分别使用IOU损失函数训练reg分支,BCE损失函数训练cls与obj分支。

  1. Decoupled head[2] YOLO系列自YOLOv3开始就没有大幅度更改过检测头相关的内容,而解耦头的设计已经在目标检测和目标分类的网络中被验证有效。解耦头有着分类任务和定位任务两个分支,而采用不同的分支进行运算,有利于效果的提升。由于多分支的加入,会导致网络的计算复杂度增高,YOLOX所提出的方案是先使用1×1的卷积进行降维,来加快运算速度和减小模型大小。

解耦头示例图

  1. anchor free[3] YOLOv3,4,5都是使用anchor base的方法来提取候选框,而YOLOX中将原有的3个anchor候选框缩减至1个,即直接由每个location对box的4个参数进行预测。将每个对象的中心位置所在的location视为正样本,并且将每个对象分配到不同的FPN层中,使得每个对象只有一个location进行预测工作,这样的修改同样是减少了GFLOPs并加快了推理速度。
  2. multi positives[3] 如果每个对象只有一个location进行预测,会导致正负样本不均衡,且会抑制一些高质量的预测,YOLOX借鉴了FCOS的中心采样策略,将对象中心附近的location也纳入正样本的计算之中,此时每个对象就有了多个正样本的分布。
  3. SimOTA[4] 在旷视自己的OTA算法中,他们将标签分配任务看作网络内部的最优传输任务,即多个目标与多个候选框的相互匹配。不同于OTA的是,SimOTA将原本使用的Sinkhorn-Knopp算法替换,使用动态top-k策略去计算最优传输的问题。这样的方法不仅减少了模型的训练时间,而且避免了Sinkhorn-Knopp算法中的额外求解器超参数。

MT-YOLOv6:https://github.com/meituan/YOLOv6

不同于YOLOX对检测头的修改,YOLOv6对YOLO系列的backbone和neck进行了全新的设计,参考RepVGG[5]网络设计了RepBlock来替代CSPDarknet53模块,基于COCO数据集的实验结果表明基于RepBlock设计的backbone有着更强的表征能力和更高效的GPU利用率。

Rep算子

RepVGG结构是在训练时进行多分支拓扑,而在进行推理时等效融合为一个3×3的卷积,这样就可以利用多分支训练时高性能的优势,和单路模型推理时速度快、省内存的优点。虽然YOLOv6对backbone的模块做了比较大的修改,但网络的组成变化并不大,仍然是采用单独的RepConv进行图片尺寸的缩放,使用多层RepConv组成的Block进行特征的提取。

backbone结构
此外,YOLOv6中所有的激活函数都为ReLU,从而提升网络训练的速度,且使用transpose反卷积进行上采样,并将neck中的CSP模块也使用RepBlock进行替代(Rep-PAN),但仍然保留FPN-PAN的结构,这样的修改使得其训练的收敛速度更快,推理的速度也更快。

Rep-Pan

在head中仍然沿用了YOLOX的解耦头设计,不过并未对各个检测头进行降维的操作,而是选择减少网络的深度来减少各个部分的内存占用。此外,在anchor free的锚框分配策略中也沿用了SimOTA等方法来提升训练速度。参考了SloU边界框回归损失函数来监督网络的学习,通过引入了所需回归之间的向量角度,重新定义了距离损失,有效降低了回归的自由度,加快网络收敛,进一步提升了回归精度。[6]

decoupled head yolov6

总结

随着网络模型向着轻量化的方向改进,YOLO系列融合了RetinaNet、FCOS、RepVGG网络中有效的方法,可以实现非常好的检测效果。关于RepVGG结构,我认为可以运用到各类网络中来加快推理的速度,主要难点是多分支融合方式,如果将原本使用的CSPDarknet53进行Rep融合,是否会得到比YOLOv6更好的结果?YOLOv6使用的tricks看起来都是为了小型网路专门设计,如果当网络深度和宽度进行拓展,ReLU激活函数导致神经元失活是否会导致检测效果的下降?此外,anchor free确实缩减了模型的内存占用,但检测的效果并不如anchor base的方法好,在同样的tricks下,仍然需要比较它们的检测速度和精度,从而选取一个性价比最高的模型进行部署。

Reference

1.YOLOX: Exceeding YOLO Series in 2021
2.Rethinking Classification and Localization for Object Detection
3.Fcos: Fully convolutional one-stage object detection
4.OTA: Optimal Transport Assignment for Object Detection
5.RepVGG: Making VGG-style ConvNets Great Again
6.SloU Loss: More Powerful Learning for Bounding Box Regression


本文转载自: https://blog.csdn.net/Pariya_Official/article/details/125794741
版权归原作者 帕里亚 所有, 如有侵权,请联系我们删除。

“YOLOv5、YOLOX、YOLOv6的分析与比较”的评论:

还没有评论