【论文阅读】YOLO系列论文：YOLO v4

最新推荐文章于 2024-04-10 00:19:47 发布
最新推荐文章于 2024-04-10 00:19:47 发布
阅读量1.8k 收藏 4
点赞数
分类专栏： YOLO系列 文章标签： 论文阅读 YOLO 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/haru_x/article/details/130245022
版权

论文：Yolov4: Optimal Speed and Accuracy of Object Detection

https://arxiv.org/pdf/1804.02767.pdf

代码：GitHub - Tianxiaomo/pytorch-YOLOv4: PyTorch ,ONNX and TensorRT implementation of YOLOv4

作者：Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao

发布时间 ：CVPR, 2020

优缺点/总结

优点

  • 对于同样的精度，YOLOv4更快（FPS）；对于同样的速度，YOLOv4更准（AP）
  • 论文中总结了各种Tricks，可以选择合适的Tricks来提高自己的检测器性能，灵活组合

缺点

模型的改进

  • 提出了一种高效而强大的目标检测模型，使用 1080Ti 或 2080Ti 就能训练出超快、准确的目标检测器。
  • 在检测器训练过程中，验证了最先进的一些研究成果对目标检测器的影响。
  • 改进了 SOTA 方法，使其更有效、更适合单 GPU 训练。

解决的问题

  • 将近几年关于深度学习领域最新研究的tricks移植到Yolov4中做验证测试，将Yolov3的精度提高了不少

模型

主要结构分为四个模块：输入端、Backbone主干网络、Neck、Prediction

  • 输入端：训练时对输入图像进行处理，包括Mosaic数据增强、cmBN、SAT自对抗训练
  • Backbone主干网络：CSPDarknet53、Mish激活函数、Dropblock
  • Neck：在Backbone和输出层之间插入的结构，包括SPP模块、FPN+PAN结构
  • Prediction：输出层的锚框机制与yolov3相同，改进了训练时的损失函数CIOU_Loss以及nms变成DIOU_nms

结构

  • CBM：Yolo v4网络结构中的最小组件，其由Conv+ BN + Mish激活函数组成。
  • CBL：Yolo v4网络结构中的最小组件，其由Conv+ BN + Leaky relu激活函数组成。
  • Res unit：残差组件，借鉴ResNet网络中的残差结构，让网络可以构建的更深。
  • CSPX：借鉴CSPNet网络结构，由三个CBM卷积层和X个Res unint模块Concat组成。
  • SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。
  • Concat：张量拼接，会扩充两个张量的维度
  • Add：张量相加，张量直接相加，不会扩充维度

输入端

Mosaic数据增强

采用4张图片，随机缩放，随即裁剪、随机排布的方式进行拼接，解决数据集中小、中、大目标占比不均衡的问题

  • 丰富数据集：随机使用4张图片，随机缩放，再随机分布进行拼接，大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好。
  • 减少GPU：Mosaic增强训练时，可以直接计算4张图片的数据，使得Mini-batch大小并不需要很大，一个GPU就可以达到比较好的效果。

Backbone主干网络

CSPDarknet53

  • 包含5个CSP模块，输入图像608 * 608，特征图的变化规律：608 -- 304 -- 152 -- 76 -- 38 -- 19，最终得到大小为19 * 19的特征图
  • CSP模块（Cross Stage Paritial Network）
    • 认为推理计算过高的原因是由于网络优化中的梯度信息重复导致
    • 将基础层的特征映射划分为两部分，通过跨阶段层次结构将他们合并
    • 减少计算量的同时可以保证准确率
  • Backbone采用CSPDarknet53的优点
    • 增强CNN的学习能力，使得在轻量化的同时保持准确性
    • 降低计算瓶颈
    • 降低内存成本

Mish激活函数

  • Backbone中采用Mish激活函数
  • 和Leaky_relu激活函数对比（后面的网络还是使用的Leaky_relu激活函数)

Dropblock

  • 缓解过拟合的一种正则化方式
  • 传统的Dropout：随即删除减少神经元的数量，使网络变得更简单
  • Dropblock

    • Dropblock研究者认为卷积层对于Dropout这种随机丢弃并不敏感，卷积+激活+池化层这三层连用可以使卷积层从相邻的激活单元学习到相同的信息
    • Dropblock将整个局部区域进行删减丢弃
    • 借鉴cutout数据增强，cutout是将输入图像的部分区域清零，而Dropblock是将cutout应用到每个特征图，并不是用固定的比率归零，而是在训练时以一个小的比率开始，随着训练过程线性增加比率
      • 优点一：Dropblock的效果优于Cutout
      • 优点二：Cutout只能作用于输入层，而Dropblock则是将Cutout应用到网络中的每一个特征图上
      • 优点三：Dropblock可以定制各种组合，在训练的不同阶段可以修改删减的概率，从空间层面和时间层面，和Cutout相比都有更精细的改进。

Neck

SPP模块

  • 在Backbone主干网络之后，使用k={1 * 1,5 * 5,9 * 9,13 * 13}的最大池化方式，将不同尺度的特征图进行Concat操作

  • SPP模块与单纯使用k * k最大池化的方式对比，更有效地增加主干特征的接受范围，显著的分离了最重要的上下文特征

FPN+PAN

  • FPN结构，自顶向下，将高层的特征信息通过上采样的方式进行传递融合
  • PAN结构，自下向上，将底层的位置信息通过下采样的方式进行传递融合
  • FPN层自顶向下传递强语义特征，PAN层自底向上传递强定位特征
  • PAN结构中两个特征图结合采用的是concat操作，特征图融合后张量发生了变化

Prediction

Loss函数

目标检测任务的损失函数一般由分类损失函数和回归损失函数两部分构成，回归损失函数的发展由Smooth L1 Loss -- IoU Loss(2016) -- GIoU Loss(2019) -- DIoU Loss(2020) -- CIoU Loss(2020)

  • IoU Loss

    • 存在问题

      • 无法优化两个框不相交的情况
      • 无法区分两者相交情况的不同
  • GIoU Loss

    • 存在问题

      • 退化成了IoU，无法区分相对位置关系
  • DIoU Loss

    • DIoU Loss考虑了重叠面积和中心点距离，没有考虑长宽比
  • CIoU Loss

    • 在DIoU Loss的基础上增加一个影响因子，将预测框和目标框的长宽比都考虑进去

  • 总结四种Loss函数：
    • IOU_Loss：主要考虑检测框和目标框重叠面积。
    • GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。
    • DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。
    • CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。

NMS

  • 采用DIoU NMS的方式，将计算IoU的部分替换为DIoU
  • 在重叠目标的检测中，DIoU的效果优于传统的nms

Tricks

1、Label Smoothing平滑

Label Smoothing平滑就是将标签进行一个平滑，原始的标签是0、1，在平滑后变成0.005(如果是二分类)、0.995，也就是说对分类准确做了一点惩罚，让模型不可以分类的太准确，太准确容易过拟合。

2、学习率余弦退火衰减

余弦退火衰减法，学习率会先上升再下降，上升的时候使用线性上升，下降的时候模拟cos函数下降。

Prediction

Objective Function/Loss Function

Yolov4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些

  • CIoU Loss

    • 在DIoU Loss的基础上增加一个影响因子，将预测框和目标框的长宽比都考虑进去

汉南洞也有小狗
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
yolo系列论文.zip
09-08
总之，YOLO系列从v1到v4，每一代都在提升目标检测的准确性和效率，不断优化网络结构，引入新的技术，以适应更复杂、多样的视觉任务。这些论文不仅是深度学习和目标检测领域的宝贵资源，也是研究者和开发者学习和实践...
YOLOv4 论文
CVAIDL的博客
04-26 535
AlexeyAB大神继承了YOLOv3, 在其基础上进行持续开发，将其命名为YOLOv4。并且得到YOLOv3作者Joseph Redmon的承认，下面是Darknet原作者的在readme中更新的声明。 来看看YOLOv4和一些SOTA模型的对比，YOLOv4要比YOLOv3提高了近10个点。 1. 思维导图 YOLOv4总体上可以划分为两部分，一部分是讲Bag of freebi...
yolov4论文_YOLOv4论文详细解读
weixin_39998462的博客
12-12 1347
大家好，本次分享的是YOLOv4的那篇论文我将主要从这几个部分对该论文进行详细的解读首先来看论文的主要内容YOLOv4这篇论文主要是介绍如何使用一些通用的新方法达到了最先进的实验结果，他们在COCO数据集上实现了65 FPS的速度和精度为43.5%的AP的检测。这个是论文中YOLOv4与其他方法的对比图。从图中可以看出，在相同FPS情况下，它取得的AP是最高的，在相同的AP的情况下，它的...
论文精读——YOLOv4
最新发布
2402_83980685的博客
04-10 1136
论文题目：《YOLOv4: Optimal Speed and Accuracy of Object Detection》
YOLOv4论文阅读（附原文翻译）
热门推荐
fengmaomao1991的专栏
10-08 1万+
YOLOv4论文阅读Abstract摘要1.Introduction 引言2.Related work相关工作2.1.Object detection models目标检测模型2.2.Bag of freebies免费礼包2.3.Bag of specials特价礼包 Abstract摘要 There are a huge number of features which are said to improve Convolutional Neural Network (CNN) accuracy. Pra
【YOLO系列】YOLOv4论文超详细解读1（翻译 ＋学习笔记）
路人贾的博客
02-27 7825
YOLOv4论文《YOLOv4：Optimal Speed and Accuracy of Object Detection》超详细精读。看这一篇就够啦！
【YOLO系列】YOLOv4论文超详细解读2（网络详解）
路人贾的博客
02-27 9601
YOLOv4包含的tricks超级详细介绍，更深一步的解读。
【经典论文阅读】YOLO-V4论文阅读
三木今天学习了嘛の博客
09-24 1588
本篇是YOLOv4，作者写的非常详细，里面设计的内容很多，作者对每种想法进行验证数据也很多。日后我会一点点把其中不明白的点都学习一下。
YOLO 系列论文精读 & YOLOv4
Flying Bulldog 的博客
08-25 2071
YOLO系列的论文已经告一段落，期间也精读了DETR系列的一些论文，颇有感受。YOLOv4更像是一篇总结性的文章，具体描述了整个模型的各个阶段，并对每个阶段的经典算法进行了研究和消融实验，值得我们重新思考神经网络模型的框架。我们提供了一个最先进的探测器，它比所有可用的替代探测器更快( FPS )和更准确的( MS COCO AP50 ... 95和AP50)。所描述的探测器可以在具有8 - 16GB - VRAM的传统GPU上训练和使用，这使得它的广泛应用成为可能。...
yolo系列论文原文，包含yolov1~yolov7
05-30
这份资源收集了YOLO（You Only Look Once）系列所有的论文，包括YOLO v1、YOLO v2、YOLO v3和YOLO v4，以及它们的改进版本和衍生算法。YOLO是一种基于深度学习的目标检测算法，具有高速度、高效率和高准确性等优点，...
最快的目标检测技术论文 yolo v1-v
10-14
综上所述，这些论文涉及了目标检测领域的多项重要进展，包括YOLO系列的实时性、Faster R-CNN的高效区域提议、Inception网络的多尺度信息处理以及残差连接的使用。通过深入研究这些技术，可以为开发更快、更准确的...
YOLOv4论文.pdf
07-23
从2018年Yolov3年提出的两年后，在原作者声名放弃更新Yolo算法后，俄罗斯的Alexey大神扛起了Yolov4的大旗。 YOLOv4原版论文，介绍了YOLOv4算法最新的研究成果。YOLOv4性能远超YOLOv3。
v4相关论文资料以及详解
08-27
YOLO系列模型以其实时性能和高精度而闻名，YOLOv4在此基础上进一步优化了速度与精度的平衡。 YOLOv4的核心贡献在于整合了一系列先进的技术，包括数据增强、模型结构优化、损失函数改进等，从而在保持高效运行速度的...
手把手教你训练自己的YOLO V4数据集，过程超详细，附带作者测试数据集
12-21
手把手教你训练自己的YOLO V4数据集，超详细教程，附带训练数据集整体训练来源与结果YOLO V4 论文链接：https://arxiv.org/abs/2004.10934YOLO V4 开源代码：https://github.com/AlexeyAB/darknet本次训练系统环境...
YOLOv4论文(中文版)
李鑫玉的博客
09-14 6807
摘要 据说有大量的特征可以提高卷积神经网络(CNN)的准确性。需要在大数据集上对这些特征的组合进行实际测试，并对结果进行理论验证。有些特征专门针对某些模型和某些问题，或者只针对小规模数据集;而一些特性，如批处理标准化和剩余连接，适用于大多数模型、任务和数据集。我们假设这些通用特征包括加权剩余连接(WRC)，跨阶段部分连接(CSP)，跨小批处理标准化(CmBN)，自我对抗训练(SAT)和mish激活。我们使用了新的功能:WRC, CSP，CmBN, SAT, Mish激活，马赛克数据增强，Cm...
【论文阅读】YOLOV4论文详解
想当咸鱼的猫
11-29 3635
1. Introduction 本文的贡献如下： 我们开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 TiGPU来训练一个超级快速和准确的目标探测器。 在检测器的训练过程中，我们验证了最先进的Bag-of-Freebies和Bag-of-Specials 我们修改了最先进的方法，使其更有效，更适合于单GPU训练，包括CBN、PAN、SAM等。 2. Related work 2.1 Object detection models 我们对现有的目标检测算法进行了总结，.
YOLO-v4论文详解
weixin_52185313的博客
04-27 1055
YOLO-v4论文详解-- 潘登同学的目标检测笔记 文章目录YOLO-v4论文详解-- 潘登同学的目标检测笔记YOLO-v4介绍目标检测One-stage Detector与Two-stage DetectorBag of freebiesBag of specialsYOLO-v4的选择网络结构其他改进BoF and BoS YOLO-v4介绍 YOLO-v4做了很多的实验，将几乎所有的图像识别方法都做了实验，得到了很多在目标检测下的好用的方法，当然很多方法是随着数据集的改变而改变的，不一定普遍适用的…
yolov4论文解析
weixin_44711102的博客
11-12 1474
由于yolov3作者退出yolo算法更新，但并没有停止对yolo的改进。2020年yolov4发出，并得到原作者的肯定。yolov4论文中做了非常多的消融实验进行对比，使用很多的训练策略，在精度上面对比yolov3有比较大的提升。首先来看一下yolov4在coco数据集上的AP值，保证了速度的同时，提到了进度。对比yolov3提升了接近10%的AP值，可以看出yolov4的效果是非常的不错，而对比efficientDet虽然精度低，但是在速度上远超过它，能够达到实时检测的效果。
yolov4论文_YOLOv4算法解读（思维导图）和论文翻译
weixin_39555579的博客
11-21 1423
今天刷看到了YOLOv4之时，有点激动和兴奋，等了很久的YOLOv4，你终究还是出现了论文地址：https://arxiv.org/pdf/2004.10934.pdfGitHub地址：https://github.com/AlexeyAB/darknet首先附上对论文总结的思维导图，帮助大家更好的理解！ 下边是对论文的翻译，有些地方可能翻译的不是很准备，欢迎指正补充摘要有很多特征可以提高卷积神经...
yolov：系列论文资源
04-24
"yolov：系列论文资源 - 包含项目主页、Introduction、Unified Detection等相关内容，适合毕业设计，关注yolov相关知识" YOLO（You Only Look Once）是一种高效的目标检测算法，由Joseph Redmon等人在2015年提出。...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值