【论文跟进】PP-YOLOE结构解析

原文地址：https://arxiv.org/abs/2203.16250
Github地址：https://github.com/PaddlePaddle/PaddleDetection

  上周刚刚学习绘制了YOLOX结构，这周发现PP-YOLOE新鲜出炉，特此记录。

1.文章摘要

  本报告中，我们介绍了PP-YOLOE，这是一种具有高性能和友好部署的工业级先进目标检测器。我们在之前的PP-YOLOv2的基础上进行了优化，使用anchor-free范式，更强大的backbone和neck，配备了CSPRepResStage、ET-head和动态标签分配算法TAL。我们为不同的实践场景提供了s/m/l/x模型。在COCO testdev上，PP-YOLOE-l的mAP为51.4，使用Tesla V100具有78.1 FPS，与之前最先进的工业模型PP-YOLOv2和YOLOX相比，分别获得了(+1.9 AP，+13.35%提速)和(+1.3 AP，+24.96%提速)的显著提高。此外，在TensorRT和FP16-precision的支持下，PP-YOLOE推理速度达到了149.2 FPS。我们还进行了大量的实验来验证我们设计的有效性。

2.为什么会有PP-YOLOE

  百度在2021年4月提出了PP-YOLOv2(原文链接：https://arxiv.org/abs/2104.10419 )，性能超越同等参数的YOLOv4-CSP和YOLOv5-l，而随后7月份旷视科技的YOLOX一领风骚，这还能忍，必须走在YOLO系列的前端。受到YOLOX的启发，百度团队优化了PP-YOLOv2，顺手提出了PP-YOLOE。

  PP-YOLOv2的总体情况包括：
  （1）backbone：具有可变形卷积的ResNet50-vd；
  （2）neck：具有SPP层的PAN，DropBlock；
  （3）head：轻量级的IoU感知；
  （4）激活函数：在backbone中使用ReLU激活，neck中使用Mish激活；
  （5）标签分配：为每个ground truth目标分配一个anchor box；
  （6）损失：分类损失、回归损失、目标损失，IoU损失和IoU感知损失；

  COCO性能对比：
    PP-YOLOv2：49.1 mAP，68.9 FPS(Tesla V100)
    YOLOX：50.1 mAP，68.9 FPS(Tesla V100)
    PP-YOLOE-l：51.4mAP，78.1 FPS(Tesla V100)

3.PP-YOLOE的改进

（1）Anchor-free
  Anchor-free方式最先在YOLOv1中出现，由于直接预测位置不准确，在后面的 YOLOv2、v3、v4和v5中均采用了Anchor方式。YOLOX中认为按聚类方式确定最优Anchor尺寸局限于特定领域，难以推广，此外还增加了head的复杂度与每张图像的预测数量，故采用了Anchor-free方式。
  同样，PP-YOLOE中亦采用Anchor-free方式。作者实验说采用Anchor-free方式加快了模型速度，但是精度相比于基线PP-YOLOv2降低了0.3mAP。

（2）RepResBlock
  启发于TreeBlock(原文链接：https://arxiv.org/abs/2109.12342 )，提出了一种新颖的RepResBlock，将残差连接和密集连接结合起来，用于backbone和neck中。RepResBlock可提升精度0.7mAP。
  原TreeBlock如下，唔…有点复杂，不过RepResBlock对其进行了简化。


（3）Task Alignment Learning (TAL)
  标签分配策略是目标检测中的一个重要过程，YOLOX采用SimOTA分配策略。TAL由动态标签分配与任务对齐损失组成。动态标签分配意味着预测感知，根据预测，为每个ground truth目标分配动态的正样本。通过显式对齐两个任务，TAL可以同时获得最高的分类准确率和最精确的边界框。TAL可提升精度0.9mAP。

（4）Efficient Task-aligned Head (ET-head)
  为了解决分类任务与定位任务冲突的问题，YOLOX中采用了Decoupled head结构。但作者认为Decoupled head结构会使分类和定位任务分离独立，缺乏任务特异性学习，故提出了ET-head，ET-head可提升精度0.5mAP。

  对于分类和定位任务的学习，作者分别选择了变焦损失(VFL)和分布焦损失(DFL)。VFL使用target score对阳性样本的损失进行加权，使得具有高IoU的阳性样本对损失的贡献相对更大，也使得模型在训练时更加关注高质量的样本而不是低质量的样本。DFL是为了解决边界框表示不灵活的问题，提出了利用常规分布预测边界框的方法。
  模型损失函数为：