YOLOV3-Ultralytics improvement with trick :Mosaic图像增强、SPPF、SPP、各种IoU损失计算、Focal Loss

V3-Ultralytics

YoloV3:an incremental improvement - SPP -ultralytics

Mosaic图像增强

图像增强原来采用随机裁剪、翻转、色彩等方法；

Mosaic图像通过将4个图像拼接组合作为新的图片输入；

可以实现增强数据多样性、增加目标个数、BN可统计一次性多张图片的参数（采用BN时，batch-size越大越好，因为可以让整体的数据处于均值为0，方差为1的情况下）（这里相当于采用batch-size=4的情况）

SPP与SPPF模块

SPP的概念和功能

SPP结构，实现不同尺度的特征融合；

（Padding=1，Stride=1的Maxpool不改变图像大小）

上图是SPP与SPPF的原理

SPP与SPPF的区别：

SPPF要比SPP更加快，因为省去了部分的计算过程；

SPP是每个通道单独计算；

SPPF是，用初始的计算5 * 5，然后用5 * 5计算9 * 9以此类推

（ps：添加一个SPP结构在主干上，相对于添加3个SPP结构性价比更高）

Loss

IoU Loss

GIoU Loss

u 是并集面积；

Ac是覆盖这两个框的最小矩形；

缺点：处于水平或垂直情况

DIoU

CIoU

Focal Loss

使用后mAP降低了；

Focal Loss针对one-stage object detection model；

主要面对正负样本不平衡问题；

引入一个超参数概率，调整正负样本数据对应的权重；

但是无法区分容易样本、困难样本；

引入 γ 降低容易区分的样本的损失贡献；

最终：

在阿尔法和伽马取2.0 0.25

的时候效果取得最好的；

可能需要多次调参，否则Focal loss可能没有原来的效果好；