【论文笔记】：PP-YOLO、PP-YOLOv2、PP-YOLO Tiny

&Title

• PP-YOLO: An Effective and Efficient Implementation of Object Detector（2020）
• PP-YOLOv2: A Practical Object Detector（2021）
• 代码

&Summary

目标检测算法的准确性和推理速度不可兼得，本文的工作旨在通过tricks组合来平衡目标检测器的性能以及速度。

• PP-YOLO： 45.2% mAP，速度高达72.9 FPS！FPS和mAP均超越YOLOv4，FPS也远超过EfficientDet！
• PP-YOLOv2： 在同等速度下，精度超越 YOLOv5！相较 于 PP-YOLO，v2 版本在 COCO 2017 test-dev 上的精度提升了 3.6%，由 45.9% 提升到了 49.5%；在 640*640 的输入尺寸下，FPS 达到 68.9FPS，而采用 TensorRT 加速的话，FPS 更是达到了 106.5！这样的性能，超越了当前所有同等计算量下的检测器，包括 YOLOv4-CSP 和 YOLOv5l ！如果将骨架网络从 ResNet50 更换为 ResNet101，PP-YOLOv2 的优势则更为显著：mAP 达到 50.3%，速度比同计算量的 YOLOv5x 高出了 15.9%。
• PP-YOLO Tiny： 体积只有 1.3M 的 PP-YOLO Tiny（得益于 PaddleSlim 飞桨模型压缩工具的能力），比 YOLO-Fastest 更轻、更快！这样超超超轻量的算法面世，更是很好的满足了产业里大量边缘、轻量化、低成本芯片上使用目标检测算法的种种诉求！

本文大多来自网上博客整理的内容（其实跟论文本身差不多），后续会细读代码，把每个trick怎么做的进行介绍

---

&PP-YOLO

yolov4，5模型是基于yolo3算法改进得来。但PPYOLO并不像yolov4探究各种复杂的backbone和数据增广手段，也不是靠nas暴力搜索得到一个结构。我们在resnet骨干网络系列，数据增广仅靠mixup的条件下，通过合理的tricks组合，不断提升模型性能。
最终与其他模型对比图如下

网络架构

BackBone骨干网络

yolov3使用的是较为大型的darknet53，考虑到resnet更广泛的应用以及多样化的分支，我们选用ResNet50-vd作为整个架构，并将部分卷积层替换成可变形卷积，适当增加了网络复杂度。由于DCN会带来额外的推理时间，我们仅仅在最后一层的3x3卷积替换成DCN卷积

DetectionNeck

这里依然采取的是FPN特征金字塔结构做一个特征融合，类似