YOLO系列总结反思

回顾了一下之前看过的YOLO系列，本来想自己从头写一个博客，后来发现大佬都写的极其好了，就变成了阅读笔记。

深度学习论文学习流程：

• 首先搜索一下相关的论文讲解
• 在对原论文进行学习
• 代码核心部分：
  • 网络搭建
  • 数据处理
  • loss

YOLO系列理论：

各个系列的YOLO资源如下：

01 YOLOV1

• YOLO系列-霹雳吧啦Wz

  • 很好的初步理解，并且可以结合原文有一下补充讲解。

• YOLOV1-木盏

  • 输入图片划分为

    7

    ×

    7

    7 \times 7

    7×7网格,对每个网格单独进行检测，但是这里有一个问题就是YOLO为什么能够检测比Grid_Cell(网格)大很多的物体？

    • 其实YOLO的做法并不是把每个单独的网格输入到模型，而是在训练阶段通过网格对物体的中心点位置进行划分之用，没有对网络进行切片（网格没有脱落整体关系）

  • 网络结构基本思想是：预测位置、大小及物体分类都是通过CNN暴力Predict预测出来的。

  • YOLOV1总体价值：

    • L

      e

      a

      k

      y

      −

      R

      e

      L

      U

      Leaky-ReLU

      Leaky−ReLU:不会直接让负数为0，但会衰减负数的输出

      ​

      y

      =

      {

      x

      x

      >

      0

      0.1

      x

      o

      t

      h

      e

      r

      w

      i

      s

      e

      y = \begin{cases} x &x>0 \\ 0.1x&otherwise \\ \end{cases}

      y={x0.1x​x>0otherwise​

    • 分而治之：用网络来划分图片区域，每块区域独立检测目标

    • 端到端的训练：损失函数的反向传播可以贯彻整个网络，这本身也是One-Stage检测方法的游戏

• YOLOv1-小小小绿叶

  • YOLOV1的思路：直接在输出层回归Bouding box的位置和Bounding Box所属的类别（整张图作为Inputs,将目标检测问题转换为一个回归的问题）
  • 最后输出$7\times 7\times 30$

02 YOLOV2

• YOLO系列-霹雳吧啦Wz

  • 能够比较直接简单的理解YOLOv2模型，但是还是需要进一步看一些其他博客和原文进行补充。

• YOLOV2-木盏

  • Batch Normalization:模型收敛带来显著的提升，并且同时消除其他正则化的必要。
  • High Resolution Classifier:输入图形分辨率的提升问题，显著来看是必然的。
  • Anchor机制的引入：但是对其理解还是需要在看一下其他博客（主要是看看Faster-Rcnn的讲解）
  • Direct location prediction: 可以参照霹雳吧啦的视频讲解

• YOLOv2-小小小绿叶

  • PassThrough:

03 YOLOV3

• YOLO系列-霹雳吧啦Wz

  • 能够比较直接简单的理解YOLOv2模型，但是还是需要进一步看一些其他博客和原文进行补充。
    • 附带了IOU系列和 Focal Loss的讲解

• YOLOV3-江大白

• YOLOV3-木盏

  • YOLO系列的每一代提升，很大一部分取决于BackBone网络的提升
  • BackBone：整个V3的结果是没有池化层和全连接层的
    • 前向传播过程，张量的尺寸变换是通过改变卷积核的步长来实现（充当池化层的作用，相较于YOLOV2）
  • OutPut:预测头的改进
    • YOLOV3每个网格预测3个Box,所以每个Box需要（x, y, w, h, confidence）五个基本参数和80个类别概率，所以$3\times (5+80)=255$
    • YOLOV1的输出头是$(7\times 7\times 30)$

• YOLOv3-小小小绿叶

04 YOLOV3-SPP

• YOLO系列-霹雳吧啦Wz
  • 可以结合其的代码配套解析，进一步深入理解YOLOV3-SPP

05 YOLOV4

• YOLOv4-小小小绿叶
• YOLOV4-江大白
  • 输入端：这里指的创新主要是训练时对输入端的改进，主要包括Mosaic数据增强、cmBN、SAT自对抗训练
    • ​ Augmentation for small object detection一文中对大中小目标进行了区分
  • **BackBone主干网络：**将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock
  • Neck：目标检测网络在BackBone和最后的输出层之间往往会插入一些层，比如Yolov4中的SPP模块、FPN+PAN结构
    • 在YOLOV4中$76\times 76$
  • Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms

06 YOLOV5

• YOLOv5-小小小绿叶

  • Focus：是不是和YOLOV2中的PassThrought类似？

• YOLOV4-江大白

  • 自适应锚框：Yolov5中将此功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。

  • 小目标检测问题（这里有个感受野计算的问题）：

    • 以网络的输入608*608为例，yolov3、yolov4，yolov5中下采样都使用了5次，因此最后的特征图大小是19*19，38*38，76*76。

    • 三个特征图中，最大的7676负责检测小目标，而对应到608608上，每格特征图的感受野是608/76=8*8大小。

    • 再将608608对应到76802160上，以最长边7680为例，7680/608*8=101。

      即如果原始图像中目标的宽或高小于101像素，网络很难学习到目标的特征信息。

07 YOLOX

• YOLOX-江大白
  • **输入端：**Strong augmentation数据增强
    • 最后几个epoch时Moasic、Mixup增强都会被关掉（由于采取了更强的数据增强方式，作者在研究中发现，ImageNet预训练将毫无意义，因此，所有的模型，均是从头开始训练的。）
  • **BackBone主干网络：**主干网络没有什么变化，还是Darknet53。
  • Neck：没有什么变化，Yolov3 baseline的Neck层还是FPN结构。
  • Prediction：Decoupled Head、End-to-End YOLO、Anchor-free、Multi positives。
    • Decoupled Head:只是概率Head部分的网络结构就可了吗？
    • Anchor-Free:
      • 同样输入大小下，参数量减少了$2/3$
      • 怎么实现预测的？需要反复去理解
  • Yolov5s和Yolox-s主要区别：
    • **输入端：**在Mosa数据增强的基础上，增加了Mixup数据增强效果；
    • **Backbone：**激活函数采用SiLU函数；
    • **Neck：**激活函数采用SiLU函数
    • **输出端：**检测头改为Decoupled Head、采用anchor free、multi positives、SimOTA的方式。

版权声明：本文为CSDN博主「你好啊：）」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/Leomn_J/article/details/121773986