道路车流监测（2）：目标检测模型解释

前言

啊啊啊，最近实习真的太累（lan）了，拖了好久才出第二章，leader一直鞭策（pua），但是mentor对我很好，所以还想再继续学下去，毕竟我也很难保证秋招能找到更好的公司，祈福.jpg。

一、模型选择

首先，明确自己要解决的问题，具体分析业务场景。从业务的角度出发选择适合的模型。毕竟没有最好的模型，只有最合适的模型。
解决的问题：检测道路中的车辆模型。需要目标检测模型来检测视频中的车辆。
业务场景分析：
1）检测目标：视频中的车辆目标属于中目标或者大目标检测，并且该类目标样本之间变化不大，不存在细粒度问题，并且我们的目标只需要检测车辆，对模型的分类能力要求不高，一般的目标检测模型都能够起到一个较好的检测结果
2）检测背景：检测目标背景简单， 一般的视频数据都是通过道路上的摄像头采集的，单一摄像头的场景不会有变动，同时摄像头捕获的也是道路数据，多个摄像头捕获的视频数据的场景变动也不大。因此也降低了车辆检测的难度。并且项目做的是车流检测，要的是统计车流数据，假设一个钟头内少检测了一辆车，导致计数的时候有所缺失，目前想来是可以接受的。
3）检测速度：由于应用场景是针对道路中摄像头中实时捕获的数据进行处理，因此对模型的速度，实时性要求比较高，并且最好能够做到分布式实时处理视频，在终端只返回处理后的结果给服务器，因此模型的大小也是考虑的一个方面。
总结：综上所述，在模型选择的时候重点关注模型的处理速度，大小，并且保证检测正确率不要太低即可。因此选用单阶段模型来保证处理速度较为合适。而在众多单阶段模型中yolo系列非常出名，我也有yolov3的基础，所以本次模型选择新一代yolov5作为目标检测模型，在yolov5系列中选用体量最小的yolov5s作为最终模型。各个模型之间比较结果如下。


Yolov5s网络最小，速度最少，AP精度也最低。但如果检测的以大目标为主，追求速度，倒也是个不错的选择。
其他的三种网络，在此基础上，不断加深加宽网络，AP精度也不断提升，但速度的消耗也在不断增加。
目前使用下来，yolov5s的模型十几M大小，速度很快，线上生产效果可观，嵌入式设备可以使用。
（这一段如果写论文的话可以扩展开，多选择几个不同的模型，单阶段双阶段，都拿来测试和比较）

二、yolov5s

模型概览

通过netron可以直观查看网络结构，对网络的架构会有更清晰的认识。

• 输入端： 表示输入的图片。该网络的输入图像大小为608*608，该阶段通常包含一个图像预处理阶段，即将输入图像缩放到网络的输入大小，并进行归一化等操作。在网络训练阶段，YOLOv5使用Mosaic数据增强操作提升模型的训练速度和网络的精度；并提出了一种自适应锚框计算与自适应图片缩放方法。
• 基准网络： 通常是一些性能优异的分类器种的网络，该模块用来提取一些通用的特征表示。YOLOv5中不仅使用了CSPDarknet53结构，而且使用了Focus结构作为基准网络。
• Neck网络： 通常位于基准网络和头网络的中间位置，利用它可以进一步提升特征的多样性及鲁棒性。虽然YOLOv5同样用到了SPP、FPN和PAN模块，但是实现的细节有些不同。
• Head输出端： Head用来完成目标检测结果的输出。针对不同的检测算法，输出端的分支个数不尽相同，通常包含一个分类分支和一个回归分支。YOLOv5利用GIOU_Loss来代替Smooth L1 Loss函数，以及预测框筛选的DIOU_nms，从而进一步提升算法的检测精度。

输入端========================================

Mosaic数据增强

YOLOv5中在训练模型阶段仍然使用了Mosaic数据增强方法，该算法是在CutMix数据增强方法的基础上改进而来的。CutMix仅仅利用了两张图片进行拼接，而Mosaic数据增强方法则采用了4张图片，并且按照随机缩放、随机裁剪和随机排布的方式进行拼接而成，具体的效果如下图所示。这种增强方法可以将几张图片组合成一张