深度剖析目标检测算法YOLOV4

深度剖析目标检测算法YOLOV4

 

目录

 

• 简述 yolo 的发展历程

• 介绍 yolov3 算法原理

• 介绍 yolov4 算法原理（相比于 yolov3，有哪些改进点）

• YOLOV4 源代码日志解读

 

---

 

 

 

yolo 发展历程

 

 

采用卷积神经的目标检测算法大体能够分为两个流派，一类是以 R-CNN 为表明的 two-stage，另外一类是以 YOLO 为表明的 one-stage，

R-CNN 系列的原理：经过 ROI 提取出大约 2000 个候选框，而后每一个候选框经过一个独立的 CNN 通道进行预测输出。

R-CNN 特色：准确度高，速度慢，因此速度成为它优化的主要方向。

YOLO 系列的原理：将输入图片做为一个总体，经过 CNN 通道进行预测输出。

YOLO 特色：速度快，准确度低，因此准确度成为它优化的主要方向。

通过一系列的优化与改进，特别是今年 4 月份推出的 YOLOV4，使得它在准确度方面获得了大幅度的提高，另外，它还能达到实时检测（在 GPU 加持的状况下）。

下图是 YOLOV4 源代码的页面，github:  https://github.com/AlexeyAB/darknet

 

 

它的 Star 达到 13400，能够说，知名度不是通常的高，在目标检测领域，好像只有 YOLOV3 超过它了，达到了 19000 ，是否是值得你们花点时间精力去探索一下呢 ？

这里须要说明一下的是 YOLOV3（美国大神），YOLOV4 （俄罗斯大神）做者不是同一我的，在 19 年的时候，YOLOV3 做者发表了一个声明：有些组织将他的算法用于

军事和窥探我的隐私方面，使得他在道德上很难接受，他将再也不进行 CV 的研究与更新。固然，这是一个小插曲了，这里，咱们看到，YOLOV4 做者更新是很是频繁的，

commits 达到了 2000 + 。下面咱们看看官方给出的实验结果。

 

这里是以 COCO 做为测试数据集，相比于 YOLOV3，YOLOV4 在精度方面提高了 10%，FPS(frame per second) 提高了 12%。

顺便说一句，YOLOV3 的做者也是承认 YOLOV4 的改进的，在 YOLOV3 的官网 https://github.com/pjreddie/darknet 也是给出了

YOLOV4 的连接。

 

yolov3 算法原理

 

  

这里借用某位大神画的结构图，由于 YOLOV4 是在 YOLOV3 的基础上改进的，因此咱们须要先介绍一下 YOLOV3，

这里可能须要一些神经网络的知识，好比卷积，池化，全链接，前向传播，反向传播，损失函数，梯度计算，权重参数更新，若是对

这些不是很清楚，能够看我以前的博客（卷积神经网络（CNN）详解与代码实现 http://www.javashuo.com/article/p-tuifjaoz-g.html）。

YOLOV3 原理我在上上一篇博客（深度剖析YOLO系列的原理 http://www.javashuo.com/article/p-btcodynk-dr.html）有过介绍，

这里我就介绍一下你们容易忽略，或者是比较难理解的点：

• 输入图片尺寸可变

输入图片尺寸是 608 * 608，固然，这个尺寸是能够改变的，它只须要知足是 32 的倍数，由于在通过后面的网络结构的时候，图片尺寸缩小的最大倍数是 32 倍，

这能够从它的输出 19 * 19 看出来。

• 主干网络

采用的是 darknet 53 层网络结构，去掉了全链接层，53 - 1 = 52

52 = 1+(1+2*1)+(1+2*2)+(1+2*8)+(1+2*8)+(1+2*4)

为何要去掉全链接层 ？

解答：全链接的本质是矩阵的乘法运算，会产生固定尺寸的输出，而 YOLOV3 是须要多尺寸的输出的，因此要去掉全链接层。

CBL ：表示基础的卷积模块，是由一个 Conv 卷积层 + BN 批量归一化层 + relu 非线性激活函数层组成。

为何在 CBL 里没有池化层 pooling ？

解答：池化层有两种实现方式，最大值池化和平均值池化，他们都有一个缺点，会形成信息的明显丢失（相比于卷积实现池化的功能来讲，改变滑动窗口的步长） 。

Res Unit（残差单元） ：表示将上一层的输出一分为二，一部分经过两个基础卷积模块获得输出，与另外一部分进行求和，这样就能使得输出的残差不可能为 0，

                                     从而有效的防止梯度消失或者梯度爆炸。

ResX ： 是由不一样的 Res Unit 组成。

多尺寸输出：用到 2 个上采样，注意 Concat 和 Add 的区别。

上采样原理：以特征图相邻像素值来预测中间位置的像素值，而后以这个值插入到中间位置，实现特征图尺寸的翻倍。

Concat : 特征图张量的拼接，拼接后尺寸不变，深度改变。

Add ：特征图对应位置像素值的求和，求和后的尺寸和深度不发生改变。

• 输出

有三个输出，19 * 19 * 255，38 * 38 * 255，76 * 76 * 255

这三个输出有着怎样的物理含义 ？

 

解答：将输入图片网格化，网格化后的大小是 19 *19, 38 * 38，76 * 76，每一个网格化后的小方格，也就是一个 grid cell，将要

          预测 3 个 bounding box，每一个 bounding box = 1 个置信度 + 4 个位置信息 + 类别总数（COCO 数据集就是 80）

为何每一个 grid cell 要预测 3 个 bounding box ？

解答：这样来理解，好比说，一我的站在一辆车的前面，从远处看，这我的和这辆车中心点是彻底重合的，可是咱们可以看清楚

          人和车，可是若是中心点重合的对象超过 3 个，那么咱们颇有可能对第 4 个，第 5 个以及后面的对象就彻底看不清楚了，

          因此，这里的 3 表示对象中心点重叠的最大值。

bounding box 如此之多，如何肯定最佳的 bounding box ?

解答：采用的 NMS（Non Maximum Suppression）非极大值抑制算法来去除重叠。

 

 

NMS 算法原理：> 将预测输出的 bounding boxes 放入到左边的列表中，以置信度来进行降序排列，找到置信度最大的 bounding box ，

                              好比说这里的 dog1，将 dog1 移出左边列表到右边列表中;

                          > 遍历左边列表，求出每一个 bounding box 与 dog1 的交并比（IoU = Intersection over Union 两个框的交集/并集），

                             固然，要提早设定一个阈值（通常是 0.5），大于 0.5表示左边 bounding box 与 dog1 有高度的重叠，将这个 bounding box 去掉；

                          > 重复以前的操做，直至左边列表为空，右边列表获得的 bounding box 就是最佳的结果；

检测匹配问题，为何 19 * 19 => 大对象 ？ 38 * 38 => 中等对象 ?  76 * 76 => 小对象 ?

解答：输入图片尺寸是固定的，好比说这里的 608 * 608，将它网格化，网格化就有三种状况：19 * 19，38 * 38，76 * 76，那么是否是 19 * 19 网格化后

          的小方格的宽和高要比其余两种要大，这也就意味着它的感觉视野是最大的，因此它就能检测出大对象，而其余两个的对应关系也是相同的道理。

 

yolov4 算法原理

 

仍是借用某位大神画的结构图，记不清名字了，是在抱歉。

乍一看，是否是跟 YOLOV3 长得很像，只不过比 YOLOV3 更复杂了一些，这里 YOLOV4 的做者将结构划分为如下四个部分：

Input，Backbone，Neck，Head，下面就来看看每一个部分都作了哪些改进。

• Input 改进点

采用 Mosaic 实现数据加强。

 

 Mosaic 算法原理：在输入图片集中随机选取 4 张图片进行随机缩放，随机裁剪，随机扭曲，而后将他们拼接起来，

                              其目的就是丰富样本数据集。

 

• Backbone 改进点

采用 CSPNet（Cross Stage Partial Network）网络结构，它实际上是在残差网络的基础上发展起来的。

 

具体改进点：

        > 用 Concat 代替 Add，提取更丰富的特征。

以前介绍过 Concat 操做后，特征图的尺寸不变，深度会增长，而 Add 操做后尺寸和深度都不改变，从这个意义上说，用 Concat 代替 Add，就可以提取更丰富的特征。

       > 引入 transition layer （1 * 1conv + 2 * 2pooling），提取特征，下降计算量，提高速度。

为何引入 1 * 1conv，可以下降计算量，提高速度 ？

 

解答：这里我举一个实例来讲明，输入图片大小是 56 * 56 * 256，要求获得输出大小是 28 * 28 * 512，这里就有两种实现方式：

          一次卷积方式，它的卷积核参数个数是 117 万；另外一种是二次卷积方式，引入了 1 * 1 卷积，它的卷积核参数个数是 62 万，

         相比于一次卷积方式，它的卷积核参数个数下降了一倍。

 

        > 将 Base layer 分为两部分进行融合，提取更丰富的特征。

将 Base layer 一分为二，一部分经过相似残差网络获得的输出与另外一部分进行 Concat 操做，将操做后的结果经过 Transition Layer。

• Backbone 改进点

用 dropblock 取代 dropout

 

dropout 做用：防止过拟合，

dropout 缺点：每次训练时随机去掉的神经元能够经过相邻的神经元来预测，由于随着网络层数的增长，神经元之间的相关性是愈来愈强。

dropblock：每次训练时随机去掉一整片区域，这样就能组合更多不同的网络，从而表现出更好的泛化做用。

• Neck 改进点 

FPN（Feature pyramid networks） + PANet（Path Aggregation Network）

 

 

它实际上是在 YOLOV3 的基础上增长了一个自底向上的 PANet 结构，特征图的尺寸是经过下采样获得的，而下采样是经过卷积的方式实现的（改变滑动窗口的步长）。

• Head 改进点

用 CIoU Loss 取代 Iou Loss

 

 IoU loss 中 IoU 交并比，两个框的交集/并集，有两个缺点：

  > 没法反应两个的距离

例如 状态 1，两个框不相交，不管怎样移动两个框，IoU = 0。

  > 没法区分二者相交的状况

例如 状态 2 和 3，两个框相交的状况彻底不同，可是 IoU 相同。

 

 

 

 CIoU Loss 的思想：第一步，在两个框最外层再画一个最小的矩形框，求出这个框的对角线的距离，这个距离就能衡量两个框的距离；

                               第二步，求出两个框中心点的欧式距离，这欧式距离就能衡量二者的相交状况。

 

CIoU Loss 数学表达式如上，它能有效的解决 IoU Loss 存在的问题。

 

YOLOV4 源代码日志解读

  

 

 

 

• 网络层数：

 YOLOV4 总共层数有 161 层，YOLOV3 是 106 层，网络层数增长是很是明显的。

从这个图能够看出，YOLOV4 采用了大量的 1 * 1 卷积，以前介绍过，采用 1 * 1 卷积，是能下降计算量，提高速度的。

• 每列含义

layer : 每层操做名称

filters ：卷积核的深度

size/strd(dil)：卷积核的尺寸/滑动窗口的步长

input：输入图片的大小

output：输出图片的大小

• 表明性层的含义（须要注意的是，这里隐藏了一个前提条件 padding = 1）

> 第 0 层 conv 卷积操做，表示 608 * 608 * 3  &  3 * 3 * 32 => 608 * 608 * 32，这里 32（输出特征图尺寸深度）

是由卷积核的深度决定的。

> 第 1 层 conv 仍是卷积操做，表示 608 * 608 * 32  &  3 * 3 * 64 => 304 * 304 * 64，你们发现没有，输出特征图的尺寸

相比于输入特征图的尺寸，下降了一倍，这是由于滑动窗口的步长变成了 2 。

> 第 7 层 Shortcut，它其实等价于 Add 操做，也就是第 6 层的输出与第 4 层的输出进行卷积，

304 * 304 * 64  &  304 * 304 * 64 => 304 * 304 * 64，输出特征图的尺寸和深度都没有改变。

> 第 9 层 route 操做，它其实等价于 Concat 操做，也就是第 8 层的输出与第 2 层的输出进行卷积，

304 * 304 * 64  &  304 * 304 * 64 => 304 * 304 * 128，输出特征图尺寸不变，深度增长，为两个输入特征图深度之和。

相信你们理解了这些层的含义以后，对于后面的其余层的理解，就比较容易了，下面看看它最后的输出：

76 * 76 * 255,  38 * 38 * 255，19 * 19 * 255，这跟以前介绍 YOLOV4 结构图的输出是相一致的。

 

引用

https://bbs.cvmart.net/topics/2365

https://pjreddie.com/media/files/papers/YOLOv3.pdf

https://arxiv.org/pdf/2004.10934.pdf

https://arxiv.org/pdf/1911.11929v1.pdf

https://arxiv.org/pdf/1803.01534.pdf

 

 

 

 

 

 不要让懒惰占据你的大脑，不要让妥协拖垮了你的人生。青春就是一张票，能不能遇上时代的快车，你的步伐就掌握在你的脚下。