YOLO-V4经典物体检测算法介绍

在前文我们介绍了YOLO-V1~V3版本都做了哪些事，本文我们继续介绍YOLO-V4版本。

YOLO的作者在发表完V3之后，发现YOLO产品被美国军方应用到了很多军事战争当中，这是他所不希望看见的，因此宣布不再继续研究。

但历史和科技总是随时间不断发展，一个人的力量总是渺小的，后来的学者们“前赴后继”，继往圣之绝学，续写、补全着YOLO这本功法。

一、YOLO-V4

YOLO-V4的贡献：

• 亲民，单GPU就能训练的非常好，接下来很多小模块都是这个出发点

• 两大核心方法，从数据层面和网络设计层面来进行改善

• 消融实验，感觉能做的都让他给做了(凝当年百家之长)，工作量不轻

• 全部实验都是单GPU完成，不用太担心设备了

1.1 Bag of freebies(BOF)

• 只增加训练成本，但是能显著提高精度，并不影响推理速度

• 数据增强：调整亮度、对比度、色调、随机缩放、剪切、翻转、旋转

• 网络正则化的方法：Dropout、Dropblock等

• 类别不平衡，损失函数设计

1.1.1 数据增强

Mosaic data augmentation方法

一种数据增强的方法，参考CutMix然后四张图像拼接成一张进行训练；

所参考的CutMix：

上图展示CutMix中提到的融合、裁剪、裁剪拼接

V4作者参考该方法，将四张图像拼接成一张进行训练

具有以下优点

• 丰富一张图上的信息

• 增强后一张图上包含四张图的信息，减少了对大batch_size的依赖

• 通常小目标的检测效果要比大目标差，将四张图放到一张图中，相当于变相扩充了数据集中小目标的样本数量。

当然在数据增强时还用了一些其它方法，如

• 用随机值或训练集的平均像素值替换图像的区域

• 根据概率设置随机隐藏一些补丁

• 引入噪音点等

1.1.2 DropBlock与标签平滑方法

• DropBlock

之前的dropout是随机选择点去掉(随机杀死一些神经元)，如下图b

现在是直接去掉整个区域，dropblock。

这样做就好比去掉了图片中狗的眼睛/耳朵/鼻子或者是大半个头。

显然相比去掉一些点提升了更大的难度让计算机去好好学。

• 标签平滑 Label Smoothing

神经网络最大的缺点就是容易过拟合，以猫狗分类0/1标签为例，这里进行平滑处理：

其中0.1为自己指定，2为类别个数

效果：右图，使用后簇内更加紧密，簇间更加分离(过拟合的话就会很近)

1.1.3 CIOU损失函数定义

IOU损失：从之前的学习中我们得知IOU是干嘛的，即真实框和预测框的重叠程度，一般IOU损失计算时直接1-IOU，有时也会使用下图右下角公式

但是使用IOU损失会面临一些问题

• 如果两框没有相交则IOU=0无法梯度计算，

• 相同的IOU却反映不出实际情况到底咋样，如以下三图IOU相同，但重叠情况却不同。

GIOU损失

• 引入了最小封闭形状C(C可以把A、B包含在内，即下图C把两框都框起来了。)

• 这样在在不重叠情况下能让预测框尽可能朝着真实框前进(以真实框为准，C越接近真实框越好)。

但是重叠的话又完了，以下情况结果是相同的。

DIOU损失

• 其中分子计算预测框与真实框的中心点欧式距离d

• 分母是能覆盖预测框与真实框的最小BOX的对角线长度c

• 直接优化距离，速度更快，并解决GIOU问题

CIOU损失

损失函数必须考虑三个几何因素：重叠面积，中心点距离，长宽比，其中α可以当做权重参数 。

1.1.4 NMS细节改进

（其实这个并不属于BOF，而是属于后面BOS，因为涉及到计算了肯定会影响速度。这里为了知识点的连贯性放在一起说。）

DIOU-NMS

之前使用NMS来决定是否删除一个框，现在改用DIOU-NMS

• 不仅考虑了IoU的值,还考虑了两个Box中心点之间的距离

• 其中M表示高置信度候选框，Bi就是遍历各个框跟置信度高的重合情况

SOTF-NMS

"做人留一面日好相见"，柔和一点的NMS，更改分数而且直接剔除

意思是之前高度重叠的，就要置信度最大的，别的都剔除。

上图中红色绿色框重叠了，但实际框起来的是两匹马，不应该去掉。

这里选用的方法就是降低置信度，如绿框是0.8，给它降低0.3分，然后通过阈值去筛选。

1.2 Bag of specials(BOS)

• 增加稍许推断代价，但可以提高模型精度的方法

• 网络细节部分加入了很多改进，引入了各种能让特征提取更好的方法

• 注意力机制，网络细节设计，特征金字塔等，你能想到的全有

• 读这一篇相当于把当年来部分优秀的论文又过了一遍

1.2.1 SPP与CSP网络结构

SPPNet(Spatial Pyramid Pooling)

• V3中为了更好满足不同输入大小，训练的时候要改变输入数据的大小

• SPP其实就是用最大池化控制大小，来满足最终输入特征一致即可。

CSPNet（Cross Stage Partial Network）

• 每一个block按照特征图的channel维度拆分成两部分

• 一份正常走网络，另一份直接concat到这个block的输出

意思是把输入的特征图切成两份，一份继续按照之前的路走(去卷积、block等)，另一份直接拿过去和前面那份走完之后的结果进行concat。

这样算是减少特征图的深度(实际上并没有影响到精度)，加快计算速度。

1.2.2 SAM注意力机制模块

注意力机制：

简单来说就是比如这里这句话：“小明今天开心地踢了一个绿色的皮球”，这句话的关键词/重要的部分是 "小明踢球"，其他的次要，次次要。我们把注意力放在这些重要的上面，即分配一些权重。

这是语言/NLP中，图片中也是一样的，比如猫狗识别，我记得猫有胡须狗没有，可以把注意力放在胡须上。又或者说图片有前景和背景，我们应该把注意力放在更重要的前景里。

所参考的CBAM介绍

比如我们得到3232512的256个特征图，那就给这256个特征图经过操作得到它们的重要程度/分配权重(channel attention)，之后再把权重乘到原始特征图中去。

此外除了看哪个特征图重要，还要看特征图里的哪个点/哪部分重要(spatial attention)，即给每个特征图每个位置/像素点/grid cell分配权重，乘进去。

• V4中参考CBAM，不过V4中用的是SAM，只有spatial attention也就是空间的注意力机制。

YOLOV4中的Spatial attention module

在原始SAM(a)做了点修改(b)，之前是最大池化和平均池化后拼在一起然后后再卷积，这里直接卷积，更快。

1.2.3 PAN模块

• 下图是FAN，它是一种自顶向下的模式，将高层特征传下来，各层间进行特征融合、3*3卷积得到P2、P3、P4、P5等特征。

• 但这样好像只有一条路(特征只从高层向底层传递)，能不能来个双向的呢？

• 于是，PAN登场

PAN(Path Aggregation Network)

引入了自底向上的路径，使得底层信息更容易传到顶部

并且还是一个捷径，红色的线没准走个100层(走的Resnet层数)，绿色的线几层(橙色那几层，走的P后面延申的路)就到了。

YOLO-V4中在PAN上做了点修改，PAN中融合特征时使用的是加法(矩阵+矩阵)，而YOLO-V4中则是拼接。虽然特征多了一些但是会提升一些精度。

1.2.4 激活函数

YOLO-V4中并非使用的是ReLU，而是Mish。

Mish

• 不一棒子全给"打死"，给个改过自新的机会。

• Relu有点太绝对了，Mish更符合实际

• 虽然计算量确实增加了，效果会提升一点

在网络的初期，因为一开始是高斯随机的数，特征值在前面有负的可以理解，ReLU直接就去掉了，而Mish给了点机会，当然只挽留一定范围内的。

1.2.5 eliminate grid sensitivity

最终预测回归值的时候，还不是它真正的坐标，而是相对这个网格的位置，坐标回归值的预测都在0-1之间，但此时在grid边界怎么办？

• 此时我们想要取到0或1，就需要无穷大的数

• 为了缓解这种情况可以在激活函数前乘上 一个系数（大于1的），即放大结果。

1.3 整体网络架构

架构图如下：

输入、卷积、BN、Mish；然后SPP进行最大池化控制大小，来满足最终输入特征一致;

右边是PAN，特征图高底层特征双向拼接。

最右边的Yolo Head和V3一样。不同尺度的特征检测器。