1 YOLO时间线
这里简单列下yolo的发展时间线,对每个版本的提出有个时间概念。
2 yolov8 的简介
工程链接:https://github.com/ultralytics/ultralytics
2.1 yolov8的特点
- 采用了anchor free方式,去除了先验设置可能不佳带来的影响
- 借鉴Generalized Focal Loss,使用任务解耦,分别学习box,class。并将box边框的学习,从回归的形式更换成交叉熵的形式
- 增加了实例分割的功能,该模块借鉴了 YOLACT 的思想
2.2 yolov8 的相关参数
以上为官方视图:
- YOLOv8 相比 YOLOv5,mAP提升较多
- 左图可得: N/S/M 模型相应的参数量和 FLOPs 都增加了不少
- 右图可得:相比 YOLOV5,YOLOv8 大部分模型推理速度变慢
其中目标检测模型的相关参数如下图,更多的看查阅工github的官方工程:
以下章节分别对yolov8的目标检测、实例分割、关键点估计、目标跟踪进行介绍
3 yolov8 目标检测
3.1 网络结构
- 【backbone】C2f、SPPF、Conv_BN_SiLU(strides=2,用于下采样)
- 【neck】FPN(特征金字塔网络)、PAN(路径聚合网络)
- 【head】Conv_BN_SiLU的堆叠分别输出:box、cls
YOLOV5 VS YOLOV8
- 【backbone】
第一个Conv的kernel:yolov5的 6*6 --> yolov8的 3*3;
C3模块替换了C2f,其数量从yolov5的 3-6-9-3,变成了yolov8的 3-6-6-3。- 【neck】
yolov8中 FPN中去除第一个的卷积;
yolov8中的N/S、M、L/X 三组网络中最后的C2f输出通道不同,分别为1024,768,512。- 【head】
yolov5中单个Conv_BN_SiLU,同时输出三个信息:obj、cls、box
yolov8中使用Conv_BN_SiLU的堆叠,并分支输出两个信息:box、cls。
3.1.1 SiLU的激活函数
- 【ReLU】优点:能够缓解梯度消失问题。缺点:负轴导数为0,0点处不可导。
- 【SiLU提出】全称为Sigmoid Linear Unit、也被称为 Swish。它是 Google Brain 在 2017 年引入的一种自适应激活函数。SiLU可以看做是平滑的ReLU激活函数。
- 【SiLU特性】
- 无上界、有下界、并且在负无穷到正无穷的范围内都有定义。
- 平滑、非线性非单调、连续可导。
- 【SiLU优点】
- SiLU能够缓解梯度消失问题(relu优点);
- SiLU 是平滑函数,这意味着它在整个定义域内都有导数(relu无法满足),这有利于网络优化。SiLU在深层模型上的效果优于 ReLU。
- 【SiLU的缺点】
- 引入指数计算,增大计算量。
- 【SiLU的公式】
silu ( x ) = x ∗ σ ( x ) silu ( x ) ′ = silu ( x ) + σ ( x ) ∗ ( 1 − silu ( x ) ) where σ ( x ) is the logistic sigmoid. \begin{aligned} \text{silu}(x) &= x * \sigma(x) \\ \text{silu}(x)^{'}&=\text{silu}(x)+\sigma(x)*(1-\text{silu}(x)) \\ &\text{where } \sigma(x) \text{ is the logistic sigmoid.} \end{aligned} silu(x)silu(x)′=x∗σ(x)=silu(x)+σ(x)∗(1−silu(x))where σ(x) is the logistic sigmoid.其中 sigmoid(x) 是标准的 sigmoid 函数,它的值在 0 和 1 之间。
3.1.2 C3 & C2f
C2f相较于C3,有更多的跳层连接,与更多的特征的concat,梯度流更丰富。有助于更为丰富的特征的融合和提取
3.1.3 SPP & SPPF 空间金字塔池化
- 上图是SPPNET原论文中提出的:提取并融合更多尺度的特征,使用fc_layer的同时并能够适应不同尺寸的输入
- 下左图是YOLOV5、YOLOV8中使用的SPP:继承了原SPP的提取更多尺度的特征,但结构上已更新
- 下右图是fast SPP,对SPP进行了改进,减小参数的、增加运算速度,但不改变计算结果
3.1.4 head
yolov5的head 的每层中分别为一个分支,同时预测3个内容:检测框质量( 1 是否为目标 ∗ i o u p r e d , l a b e l 1_{是否为目标}*iou_{pred,label} 1是否为目标∗ioupred,label)、类别的onehot、box的xywh。
与yolov5不同,yolov8的目标检测解耦了目标框和类别的预测,每层有两个分支,分别预测:类别的 o n e h o t ∗ i o u p r e d , l a b e l onehot*iou_{pred,label} onehot∗ioupred,label、box的xywh。
3.2 目标检测的head输出
yolov8 的目标检测头,采用了Generalized Focal Loss,详细的内容可以看链接中的论文阅读,这里说明下关键点
3.2.1 定位质量与类别
- 已有工作问题:训练和测试之间的差距,并可能会降低检测性能
- GFL工作解决:分类IoU联合表示
分类onehot向量的标签 在真实类别位置上的是其相应的定位质量(预测box与标签box的iou)。也就是:类别的 o n e h o t ∗ i o u p r e d , l a b e l onehot*iou_{pred,label} onehot∗ioupred,label。
训练时和测试时使用相同的规则,它消除了训练-测试的不一致性,并使定位质量和分类之间具有最强的相关性。
- 举例子:
左边为已有工作,右边为GFL,针对分类项目可称为QFL3.2.1 box的预测
- 已有工作:
边界框表示是唯一确定的位置,为一个简单的狄拉克分布,并采用回归方式进行训练。
问题:但是,它没有考虑到数据集的模糊性和不确定性。如下图中的边界不清晰,因此真实标签(白色框)有时不可信,狄拉克分布无法很好的表示这些问题。- GFL工作:
对于边界框表示,直接学习box位置上的离散概率分布,而不引入任何其他更强的先验(比如统计出来的anchor)。因此,我们可以获得更可靠和准确的边界框估计,同时了解它们的各种潜在分布。
给定标签y的范围为 y 0 ≤ y ≤ y n , n ∈ N + y_0≤y≤y_n,n∈N^+ y0≤y≤yn,n∈N+,我们可以从模型中得到估计值 y ^ \hat{y} y^, 也满足 y 0 ≤ y ^ ≤ y n y_0≤\hat{y}≤y_n y0≤y^≤yn: y ^ = ∫ − ∞ + ∞ P ( x ) x d x = ∫ y 0 y n P ( x ) x d x \hat{y}=\int_{-\infty }^{+\infty }P(x)xdx=\int_{y_0}^{y_n}P(x)xdx y^=∫−∞+∞P(x)xdx=∫y0ynP(x)xdx为了与卷积神经网络保持一致,我们将连续域上的积分转换为离散表示,从离散范围[y0,yn]到一个集合 { y 0 , y 1 , . . . , y i , y i + 1 . . . , y n − 1 , y n } \{y0,y1,...,y_i,y_{i+1}...,y_{n−1},y_n\} {y0,y1,...,yi,yi+1...,yn−1,yn},其间隔∆=1。因此,给定离散分布性质 ∑ i = 0 n P ( y i ) = 1 \sum_{i=0}^{n}P(y_i)=1 ∑i=0nP(yi)=1,估计的回归值 y ^ \hat{y} y^可以表示为: y ^ = ∑ i = 0 n P ( y i ) y i \hat{y}=\sum_{i=0}^{n}P(y_i)y_i y^=i=0∑nP(yi)yi
尝试多种分布,最终发现下图第三种效果最好
- 举例子:
左边为已有工作,右边为GFL,针对分类项目可称为DFL
- 算法具体实现:
主要的公式为: ∑ i = 0 n P ( y i ) = 1 \sum_{i=0}^{n}P(y_i)=1 ∑i=0nP(yi)=1、 y ^ = ∑ i = 0 n P ( y i ) y i \hat{y}=\sum_{i=0}^{n}P(y_i)y_i y^=∑i=0nP(yi)yi。然后我们仅使用边界的浮点型位置,使用相邻的两个整数表达。
假设第三个输出层的尺寸上的标签(6.25, 4.75, 18.375, 12.875),此时框的中心设为(11,9),框的左边距离anchor为5.75= 11-6.25。则用长度为16的向量表示该距离 d l d_l dl:[0,0,0,0,0.25, 0.75,0,0,0,0, 0,0,0,0,0, 0]。该向量满足内容为: ∑ i n d e x ∗ v a l u e = 5.75 \sum index*value=5.75 ∑index∗value=5.75, ∑ v a l u e = 1 \sum value=1 ∑value=1。
长度为16的向量最大可表达像素距离为15,那么这种表达方式,像素级最大可表达30*30的框。当模型共有5层,在第三个输出层是下采样了32倍,则30*30的框,在原尺寸上的大小为960*960。
所以只要网络输入尺寸<= 960,用四个长度为16的向量来表示框的四个边距离base点的距离,都可正确表达。若图片>960,理论上就需要增加向量的长度,但实际情况会现将图片先进行切割,然后多次预测,结果再转换到原图尺寸上。
3.3 正样本分配
yolov5中的正样本分配 是在训练之前已经完全确定了。
yolov8 中的正样本分配 TaskAlignedAssigner,属于动态分配,会根据当前网络输出的信息动态匹配 需要监督的标签。
- 计算 在每层中标签box内的每个grid ceil上预测的box,与标签box的iou;计算对齐衡量指标(匹配得分)。 a l i g n _ m e t r i c = s α ∗ u β align\_metric =s^{\alpha }*u^{\beta} align_metric=sα∗uβ 其中 s 和 u 分别表示分类得分和IoU,α 和 β 是权重系数用来控制两个任务对匹配得分的影响大小
- 获取标签box内top10的 align_metric 的位置的mask,如图2。
- 当一个gridceil预测出的box 同时与多个真实框匹配上,则保留ciou值最大的真实框。如图3。
- 得到 target_bboxes, target_scores, fg_mask。
3.4 损失函数
分类的gt_class --> target_class
target_class的转换(分类IoU联合表示):分类的onehot * iou(pred_box, label_box)。pred_class为长度为分类数量的向量。
则分类IoU联合表示的损失函数:sigmoid交叉熵。在代码中为:nn.BCEWithLogitsLossself.bce = nn.BCEWithLogitsLoss(reduction='none') loss[1] = self.bce(pred_scores, target_scores.to(dtype)).sum() / target_scores_sum # BCE
这里补充下在pytorch中的损失函数的一些api
nn接口 function接口 nn.NLLLoss
F.nll_loss nn.BCELoss
F.binary_cross_entropy nn.BCEWithLogitsLoss
F.binary_cross_entropy_with_logits nn.CrossEntropyLoss
= softmax + log + NLLlossF.cross_entropy 我们使用 ℓ ( x , y ) \ell(x,y) ℓ(x,y)来表示损失函数,则有 ℓ ( x , y ) = L = { l 1 , … , l N } ⊤ \ell(x, y) = L = \{l_1,\dots,l_N\}^\top ℓ(x,y)=L={l1,…,lN}⊤其中【N】batch、【x】input(在使用中一般为网络输出的内容)、【y】target、【 x n , y n x_{n,y_n} xn,yn】表示对应target那一类的概率。
- -
nn.NLLLoss()
:
l n = − w y n x n , y n l_n = - w_{y_n} x_{n,y_n} ln=−wynxn,ynnn.BCELoss
中:
l n = − w n [ y n ⋅ log ( x n ) + ( 1 − y n ) ⋅ log ( 1 − x n ) ] l_n = - w_n \left[ y_n \cdot \log (x_n) + (1 - y_n) \cdot \log (1 - x_n) \right] ln=−wn[yn⋅log(xn)+(1−yn)⋅log(1−xn)]nn.BCEWithLogitsLoss = sigmoid + BCELoss
l n = − w n [ y n ⋅ log 1 1 + exp ( − x n ) + ( 1 − y n ) ⋅ log ( 1 − 1 1 + exp ( − x n ) ) ] l_n = - w_n \left[ y_n \cdot \log \frac{1}{1+\exp(-x_n)} + (1 - y_n) \cdot \log (1 - \frac{1}{1+\exp(-x_n)}) \right] ln=−wn[yn⋅log1+exp(−xn)1+(1−yn)⋅log(1−1+exp(−xn)1)]CrossEntropyLoss = softmax + log + NLLloss
l n = − ∑ c = 1 C w c log exp ( x n , c ) exp ( ∑ i = 1 C x n , i ) y n , c l_n = - \sum_{c=1}^C w_c \log \frac{\exp(x_{n,c})}{\exp(\sum_{i=1}^C x_{n,i})} y_{n,c} ln=−c=1∑Cwclogexp(∑i=1Cxn,i)exp(xn,c)yn,c
N L L ( l o g ( s o f t m a x ( i n p u t ) ) , t a r g e t ) = − Σ i = 1 n O n e H o t ( t a r g e t ) i × l o g ( s o f t m a x ( i n p u t ) i ) \mathbf{NLL(log(softmax(input)),target)= -\Sigma_{i=1}^n OneHot(target)_i\times log(softmax(input)_i)} NLL(log(softmax(input)),target)=−Σi=1nOneHot(target)i×log(softmax(input)i)
( i n p u t ∈ R m × n ) (input∈Rm×n) (input∈Rm×n)box 的 gt_class --> target_class
- CIOU:以往box检测框的损失函数都会使用的一项。
考虑三种几何参数:重叠面积、中心点距离、长宽比。CIoU就是在DIoU的基础上增加了检测框尺度的loss,增加了长和宽的loss,这样预测框就会更加的符合真实框。- Distribution Focal Loss (DFL):使用向量表达边界与基准点的距离,然后结合softmax交叉熵计算得DFL项的loss
将边界距离基准点的距离记为y,则可将基准点转换为(tl, tr),两者对应的权重为(wl, wr)。y.shape = tl.shape = tr.shape= [batch, n, 4]。
tl.view(-1).shape = tr.view(-1).shape = [batc*n*4](假设左边界距离y=5.6,则 t l = 5 tl=5 tl=5, t r = 6 tr=6 tr=6, t l = 0.4 tl=0.4 tl=0.4, w r = 0.6 wr=0.6 wr=0.6)
此时网络输出的边界为pred_dist,pred_dist.shape=[batc*n*4,16]。则损失函数如下,:loss = (F.cross_entropy(pred_dist, tl.view(-1), reduction='none').view(tl.shape) * wl + F.cross_entropy(pred_dist, tr.view(-1), reduction='none').view(tl.shape) * wr).mean(-1, keepdim=True)
4 yolov8 实例分割
4.1 网络结构
从工程实现中可以看到,分割的网络结构与目标检测的网络结构,主干网络、neck模块都是完全一致的,只有在任务侧 有所差异。
分割的head(coef) 与目标检测的head是基本一致的,仅最后一层的输出维度有所差异。
阅读源码并绘制网络结构图如上,可发现 在目标检测的head模块基础上,额外添加了segment的分支:掩码系数分支、原型分支。接下来会介绍该分割分支的具体使用。
4.2 分割的head输出
该部分内容借鉴了论文 YOLACT Real-time Instance Segmentation。
- 【Proto的输出】
网络会在第一个输出层中,输出一组mask原型,其数量工程中设置为32。不同mask为网络学习到不同的掩码信息,值得注意的是单张mask并不意味着mask中只有一个目标的mask。将mask可视化如下图,第一张mask仅人体,第二张为人体+羽毛球拍,第三张为另一张人体mask,第四张为球拍。
需将所有的mask线性叠加然后得到当前目标的最终掩码信息。下图当中示意了默认系数为1的线性叠加,但实际该掩码系数不可能同时为1。则安排了神经网络预测该系数,也就是mask_coef分支。
- 【mask_coef】
网络每个gridceil都有3个输出信息:cls + box + mask_coef。对前两者进行解析可得到:有效的gridceil预测出了目标的类别 和 目标的box,此时可以很容易获取该gridceil中对应目标的mask_coef,维度为32,刚好与Proto输出的channel维度32相一致。- 【gridceil中目标的mask的计算】
1 通过mask_coef 和 Proto的线性叠加求出mask,其中 n 为 第n个检出结果: m a s k n = ∑ i = 0 32 m a s k _ c o e f i ∗ P r o t o i mask_n = \sum_{i=0}^{32}mask\_coef_{i}*Proto_{i} maskn=i=0∑32mask_coefi∗Protoi2 仅保留该gridceil检测出的box内的mask,然后再对mask框内的mask的每个像素进行阈值过滤(工程中阈值设为0.5),即得到该目标的最终的mask。
4.3 mask的损失函数
网络的输出经过 3.2 章节的处理后,得到解析后的mask信息
- 训练时,mask与标签进行计算损失函数。也就是并不会对 Proto 和 mask_coef 直接进行监督;仅对每个box内有效的处理后的mask做损失函数的计算。
- 预测时,mask通过阈值处理为2值图,像素=0为背景,像素=1为目标。不包含类别信息,类别信息由head_cls分支的输出提供。
训练时候的损失函数为
def single_mask_loss(self, gt_mask, pred, proto, xyxy, area): """Mask loss for one image.""" ## gt_mask: mask的标签 ## pred: 预测的mask_coef ## proto:预测的32个原型mask ## xyxy:目标检测框标签,用于选中有效区域的mask ## area:目标检测框标签的面积,计算了box内的mask损失,要除以面积以为了平衡大小目标对最终损失的影响。 pred_mask = (pred @ proto.view(self.nm, -1)).view(-1, *proto.shape[1:]) # (n, 32) @ (32,80,80) -> (n,80,80) loss = F.binary_cross_entropy_with_logits(pred_mask, gt_mask, reduction='none') return (crop_mask(loss, xyxy).mean(dim=(1, 2)) / area).mean()
5 关节点估计
5.1 网络结构
yolov8-pose的网络结构,相较于v8的目标检测,仅仅多了一个分支头,用于关键点的检测。结构示意图如下:
pose模型的检测头的结构细节图:
结构上较为简单,与class 分支和box分支一样,是卷积模块的堆叠,仅在最后一个单独的卷积层,进行所需数据的输出。
5.2 pose检测头
该部分内容借鉴了论文 YOLO-Pose。平衡了常见的自上而下、自下而上的关键点检测方法的优势,具有端到端训练、恒定的运行时间、简单的后处理,以及较佳的检出效果。
- 【网络的head的输出】
网络每个gridceil都有3个输出信息:cls + box + keypoints。对前两者进行解析可得到:有效的gridceil预测出了目标的类别 和 目标的box,此时可以很容易获取该gridceil中对应目标的keypoints,维度为关键点的个数*2,或者*3。- 【网络的pose的head的输出】
每个关键点包含 对应的位置和可信度: x,y,conf \text{x,y,conf} x,y,conf(如果所有关键点的conf都为1,这里就可以简化为每个关键点仅识别一个位置 x,y \text{x,y} x,y )。因此,与一个锚点(对应的gridceil、或称呼为对应的anchor point)关联的 N个关键点总共有N×3个元素。假设每个人有17个关键点,每个锚点的关键点头上预测51个元素。
具有n个关键点的pose检测分支,在每个锚点预测向量定义为: P v = K x 1 , K y 1 , K c o n f 1 , . . . , . . . , K x n , K y n , K c o n f n P_{v}={K^1_x,K^1_y,K^1_{conf},...,...,K^n_x,K^n_y,K^n_{conf}} Pv=Kx1,Ky1,Kconf1,...,...,Kxn,Kyn,Kconfn
- 关键点置信度
训练时:是基于该关键点的可见性标志进行训练的。如果一个关键点是可见的或被遮挡的,那么标签的置信度为1;在视场之外则置信度设置为0。
在推理过程中,我们保留了可信度大于0.5的关键点。所有其他预测的关键点都将被去除。预测的关键点置信度不用于评估。由于网络预测了每个检测的所有17个关键点,我们需要过滤掉视场之外的关键点。否则,就会有悬挂的关键点,导致骨骼变形。- 关键点的位置信息
关键点的位置信息 x,y \text{x,y} x,y的具体数值,不受anchor位置的影响,不受当前所在目标框大小的影响。与图像的尺寸相关。这种anchorfree的设置,使得该方法轻松的迁移到各种模型上。
5.3 pose的损失函数
- 我们扩展了边界框的IOU损失到关键点上。
在出现关键点时,OKS被视为IOU。OKS损失本质上是尺度不变的,对某些关键点更重要。例如,一个人头部上的关键点(眼睛、鼻子、耳朵)比他身体上的关键点(肩膀、膝盖、臀部等)受到的惩罚更多。这些加权因子是由COCO的作者从大量标注的验证集中根据经验选择的。原始的IOU损失会在非重叠时出现梯度消失,但OKS损失不会停滞。因此,OKS损失更类似于DIOU 损失
【工程中具体的公式】
OKS损失
针对每一个单独的关键点计算OKS,并累计到最终的OKS损失或关键点IOU,在YOLO-POSE论文中的给出公式为:
- 【 d n d_n dn】 为当前检测的一组关键点的第 n 个关键点和标签中对应的关键点的欧式距离。
- 【 S S S】 尺度因子,其值该关键点组所在的框的面积的开方, S = w h S=\sqrt{wh} S=wh,其中 w , h w,h w,h为框的宽高。该项的存在是将不同大小框内的关键点的学习 拉齐到同一水平。
- 【 k n k_n kn】 关键点的权重因子。通过对所有样本集中,人工标注和真实关键点存在的标准差(更具体的操作有待求证),越大标注此类点越难标注。对coco数据集中的5000个样本统计出17类关键点的权重因子为:{鼻子:0.026,眼睛:0.025,耳朵:0.035,肩膀:0.079,手肘:0.072,手腕:0.062,臀部:0.107,膝盖:0.087,脚踝:0.089}。该项的存在是将不同关键点的学习拉齐到同一水平。
- 【 v n v_n vn】 第n个关键点的可见性标志。
- 【 δ ( ∗ ) \delta(*) δ(∗)】 若 ∗ * ∗成立,则 δ ( ∗ ) = 1 \delta(*)=1 δ(∗)=1,否则 δ ( ∗ ) = 0 \delta(*)=0 δ(∗)=0,此处含义是即仅计算GT中已标注的点。
在yolov8-pose工程中,该项具体的实现,与该公式略微出入,具体的:
class KeypointLoss(nn.Module): def __init__(self, sigmas) -> None: super().__init__() self.sigmas = sigmas def forward(self, pred_kpts, gt_kpts, kpt_mask, area): """Calculates keypoint loss factor and Euclidean distance loss for predicted and actual keypoints.""" d = (pred_kpts[..., 0] - gt_kpts[..., 0]) ** 2 + (pred_kpts[..., 1] - gt_kpts[..., 1]) ** 2 kpt_loss_factor = (torch.sum(kpt_mask != 0) + torch.sum(kpt_mask == 0)) / (torch.sum(kpt_mask != 0) + 1e-9) # e = d / (2 * (area * self.sigmas) ** 2 + 1e-9) # from formula e = d / (2 * self.sigmas) ** 2 / (area + 1e-9) / 2 # from cocoeval area为公式中的缩放因子 return kpt_loss_factor * ((1 - torch.exp(-e)) * kpt_mask).mean()
置信参数损失
对于每个关键点,我们学习一个置信参数,显示该人是否存在一个关键点。在这里,关键点是否可见作为真实标签。可得:
总的损失
如果真实标注的边界框和第 K t h K^{th} Kth个anchor匹配了,那么在位置(i,j),尺度s 以及anchor的损失将会有效。最后,在所有尺度、anchors和位置上的损失表示为:
其中, λ c l s \lambda_{cls} λcls=0.5, λ b o x \lambda_{box} λbox=0.05, λ k p t s _ c o n f \lambda_{kpts\_conf} λkpts_conf=0.5