Yolo系列 Yolo v4简介

目录

简介

YOLOv4的特点

1、数据增强:马赛克数据增强(Mosaic Data Augmentation)

2、 防止过拟合的方法DropBlock

3、标签平滑(Label Smoothing)

4、损失函数 :GIOU损失、DIOU损失、CIOU损失

(1)、GIOU损失

(2)、DIOU损失

(3)、CIOU损失

​编辑

5、非极大值抑制:DIOU-NMS、Soft-NMS

(1)、DIOU-NMS

(2)、Soft-NMS

6、网络结构

(1)、spp-net网络

(2)、CSP-net网络

(3)、注意力机制

(4)、PAN网络

(5)、激活函数:Mish

7、整体网络结构

总结


简介

YOLOv4(You Only Look Once, Version 4)是一种先进的实时目标检测算法,由Alexey Bochkovskiy、Chien-Yao Wang和Hong-Yuan Mark Liao于2020年提出。作为YOLO系列算法的第四个版本,YOLOv4在继承了前代版本高效性的基础上,通过一系列优化和改进,实现了更高的检测精度和速度。

与YOLO前几个系列相比YOLOv4更换了作者,但整体思考没有变并且吸收了当时主流的框架优点。

YOLOv4的特点

1、数据增强:马赛克数据增强(Mosaic Data Augmentation)

YOLOv4引入了Mosaic数据增强技术,这种技术可以在训练过程中随机组合四个图像的一部分,以生成一个新的训练图像。这有助于模型学习更多的背景信息和上下文关系,提高鲁棒性。

在介绍几种数据增强的方法,YOLOv4就是在此基础上得到的启发。

(1)、Mixup[48]:将两张图片按照比例进行叠加

(2)、Cutout[3]:对图片进行区域裁剪

(3)、CutMix:把两张图片按比例拼接

(4)、Random Erase::用随机值或训练集的平均像素值替换图像的区域

(5)、Hide and Seek:根据概率设置随机隐藏一些补丁

(6)、Self-adversarial-training(SAT):通过引入噪声点来增加训练难度

       

2、 防止过拟合的方法DropBlock

DropBlock是谷歌在2018年提出的一种用于卷积神经网络(CNN)的正则化方法。这是一种用于解决过拟合问题的技术,在训练神经网络时非常有用。过拟合问题是指在训练集上表现很好,但在测试集上表现不佳的问题。 相比于传统的Dropout技术,DropBlock不是随机屏蔽掉一部分特征(注意是对特征图进行屏蔽),而是随机屏蔽掉多个部分连续的区域。这种方法有助于减少神经网络中的冗余连接,从而提高模型的泛化能力。

3、标签平滑(Label Smoothing)

标签平滑是一种正则化技术,用于改善模型的泛化能力,尤其是在分类任务中。 

**在传统的分类任务中,模型的训练目标是使预测概率尽可能接近真实标签的概率,即对于二分类任务,正确标签的预测概率应该是1,而错误标签的预测概率应该是0。
**然而,在YOLOv4中,标签平滑技术会将这个目标进行微调,将正确类别的标签值从1调整为一个较小的值(例如0.95),而将错误类别的标签值从0调整为一个正的较小值(例如0.05)。
**这样做的原因是,如果一个模型对自己的预测过于自信(即预测概率接近1或0),它可能无法很好地泛化到新的、未见过的数据。标签平滑通过让模型对自己的预测不那么确定,来促进模型学习更加鲁棒的特征,从而在遇到新的数据时能够作出更加可靠的预测。


4、损失函数 :GIOU损失、DIOU损失、CIOU损失

这些损失函数是对传统的IoU(Intersection over Union)损失函数的改进。IoU只计算预测框和真实框之间的交集与预测框的比值,这在某些情况下并不能很好地指导模型学习,例如当预测框和真实框不相交时,IoU损失为0,这就没有梯度更新,模型无法从这些错误中学习。

(1)、GIOU损失

GIOU引入了最小封闭形状C(C可以把A、B包含在内),在不重叠情况下能让预测框尽可能朝着真实框前进。

 

但是当预选框与真实框重叠时会出现GIOU损失值不变的情况 

(2)、DIOU损失

DIOU在GIOU的基础上加入了两个框中心点之间的距离信息,这有助于模型更快地收敛到正确的位置。其中分子计算预测框与真实框的中心点欧式距离d分母是能覆盖预测框与真实框的最小BOX的对角线长度c,直接优化距离,速度更快,并解决GIOU问题。

(3)、CIOU损失

损失函数必须考虑三个几何因素:重叠面积,中心点距离,长宽比其中α可以当做权重参数。 

5、非极大值抑制:DIOU-NMS、Soft-NMS

(1)、DIOU-NMS

DIOU-NMS和原始的NMS不同,DIoU-NMS不仅考虑了IoU的值,还考虑了两个Box中心点之间的距离,使用了新的公式决定一个Box是否被删除。

 其中M表示高置信度候选框,Bi就是遍历各个框跟置信度高的重合情况

(2)、Soft-NMS

传统的NMS存在一定的问题:如果一个物体在另一个物体重叠区域出现,即当两个目标框接近时,分数更低的框就会因为与之重叠面积过大而被删掉,从而导致对该物体的检测失败并降低了算法的平均检测,Soft-NMS就可以有效的解决此问题。

 

将当前检测框得分乘以一个权重函数,该函数会衰减与最高得分检测框M有重叠的相邻检测框的分数,越是与M框高度重叠的检测框,其得分衰减越严重,为此选择高斯函数为权重函数,从而修改其删除检测框的规则。(δ通常取0.3)。

6、网络结构

参考网络

(1)、spp-net网络

SPP Net的第一个贡献就是在最后一个卷积层后,接入了金字塔池化层,保证传到下一层全连接层的输入固定。在普通的CNN机构中,输入图像的尺寸往往是固定的(比如224*224像素),输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层(ROI Pooling),使得网络的输入图像可以是任意尺寸的,输出则不变,同样是一个固定维数的向量 

(2)、CSP-net网络

它可以增强CNN的学习能力,并且在轻量化的同时保持准确性。

做法:

1、每一个block按照特征图的channel维度拆分为2部分。

2、一份正常执行残差网络,另一份直接concat到block的输出

CSPNet主要是为了解决三个问题: 增强CNN的学习能力;降低内存成本;以及减少计算瓶颈。 它通过将梯度的变化从头到尾地集成到特征图中,从而减少了计算量的同时保证了准确率。在特征金字塔生成过程中采用跨通道池来压缩特征映射,可以减少内存使用。 同时,CSPNet方法可以减少模型计算量和提高运行速度,还能和多种网络结构结合在一起。 

(3)、注意力机制

CBAM(Convolutional Block Attention Module)是一种针对深度神经网络的注意力机制模块,用于提高模型在分类、检测和分割等任务中的表现。它结合了通道注意力和空间注意力,几乎可以嵌入任何CNN网络中,在稍微增加一点计算量和参数量的情况下,可以大大增强模型性能。

yolo v4使用的是其中的SAM(Spatial Attention Module),也就是空间注意力机制,会注重于特征图上某个空间。

 

 

(4)、PAN网络

PAN网络是在FPN网络上进行改进得来的

FPN(Feature Pyramid Networks)是一种用于目标检测和语义分割的深度学习模型,它能够有效地处理不同尺度的目标。 FPN使用图像金字塔的思想,通过对原始图像进行多尺度处理,构造出一个类似真实金字塔的特征金字塔。在特征金字塔的每一层,FPN都会提取出不同的特征,并进行相应的预测。这样,对于不同尺度的目标,FPN可以在不同的特征层上进行预测,从而获得更好的检测效果。

PAN又引入了自底向上的路径,使得底层信息更容易传到顶部

 

(5)、激活函数:Mish

yolo v4使用了Mish激活函数

7、整体网络结构

残差块(Residual Block)的主体部分。在一个残差块中,输入首先通过一个卷积层进行变换,然后将结果加到原始输入上。这种结构允许网络学习残差函数,即输入和输出之间的差异,而不是直接学习输出。这可以使网络更好地关注输入和输出之间的微小差异,提高了特征提取的能力。

总结

YOLOv4相比于YOLOv3,不仅在速度和精度上取得了更好的平衡,而且在网络架构、激活函数、数据增强和优化策略等方面进行了全面的升级,使其成为实时目标检测任务中的一个非常有竞争力的算法。此外,YOLOv4也广泛应用于各种实际场景,如行人安全行为检测、监控、自动驾驶等领域。

 

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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