【目标检测】YOLOv7算法实现(二)：正样本匹配(SimOTA)与损失计算

  本系列文章记录本人硕士阶段YOLO系列目标检测算法自学及其代码实现的过程。其中算法具体实现借鉴于ultralytics YOLO源码Github，删减了源码中部分内容，满足个人科研需求。
  本篇文章在YOLOv5算法实现的基础上，进一步完成YOLOv7算法的实现。YOLOv7相比于YOLOv5，最主要的不同之处如下：

• 模型结构：引进了更为高效的特征提取模块(ELAN)、下采样模块(MP)，不同的空间池化层(SPPCSPC)，重参数卷积(RepConv)
• 正样本匹配：结合YOLOv5中和正样本匹配方法和YOLOX中的正样本筛选方法(SimOTA)

文章地址：
YOLOv7算法实现(一)：模型搭建
YOLOv7算法实现(二)：正样本匹配(SimOTA)与损失计算

0 引言

  YOLOv7中的正样本匹配在YOLOv5的正样本匹配基础上进一步通过SimOTA对正样本进行筛选，损失计算流程如图1所示。

图1 YOLOv7损失计算流程

1 正样本匹配

  YOLOv5的正样本匹配方法可见文章YOLOv5算法实现(四)：损失计算。在YOLOv5正样本匹配方法中，在每一个feature_map上，根据目标中心点所在位置至多使用三个预测单元对目标进行匹配，在每一个预测单元中，根据宽高比至多使用三个Anchor对目标进行匹配，因此经过YOLOv5正样本匹配后，一个目标至多得到27个匹配样本。
  SimOTA正样本筛选流程如下：

1. 计算实际目标nt与匹配样本nt_n的IoU损失：
   $$pair\_wise\_iou\_loss=-\log (iou)$$
2. 计算实际目标nt与匹配样本nt_n的类别交叉熵损失：
   $$pair\_wise\_cls\_loss=-y\log (\sigma (y_{pred}))-(1-y)\log (\sigma (1-y_{pred}))$$
3. 根据IoU损失总和确定每一个实际目标nt的dynamic_k(每一个nt匹配的样本数量)
4. 计算匹配样本总损失：
   $$pair\_wise\_loss=pair\_wise\_cls\_loss+3pair\_wise\_iou\_loss$$
5. 根据总损失和dynamic_k对匹配的正样本进行筛选
     假设某目标(类别为3)在某训练批次中得到了7个匹配结果，其SimOTA正样本筛选示例如图2所示。

图2 SimOTA计算示例

2 损失计算

  YOLOv7中损失计算方式与YOLOv5一致，包含以下三个部分：

• 位置损失(仅计算正样本)：
  $$IouLoss=1-CIoU$$

图3 常见IoU计算方法

• 类别损失(仅计算正样本):
  C l s L o s s = ∑ i = 0 n f { 1 n ∑ j = 0 n [ 1 n c ∑ k = 0 k = n c ( y log ⁡ ( σ ( p ) ) + ( 1 − y ) log ⁡ ( 1 − σ ( p ) ) ) ] } ClsLoss = \sum\limits_{i = 0}^{nf} {\{ {1 \over n}\sum\limits_{j = 0}^n {[{1 \over {nc}}\sum\limits_{k = 0}^{k = nc} {({y}} } } \log (\sigma ({p})) + (1 - {y})\log (1 - \sigma ({p})))]\} ClsLoss=i=0∑nf​{ n1​j=0∑n​[nc1​k=0∑k=nc​