resnet keras 结构_YOLO V4 — 网络结构解析（特详细！）

1.前言

最近用YOLO V4做车辆检测，配合某一目标追踪算法实现车辆追踪+轨迹提取等功能，正好就此结合论文和代码来对YOLO V4做个解析。先放上个效果图（半成品），如下：

话不多说，现在就开始对YOLO V4进行总结。

YOLO V4的论文链接在这里,名为《YOLOv4: Optimal Speed and Accuracy of Object Detection》，相信大家也是经常看到这几个词眼：大神接棒、YOLO V4来了、Tricks 万花筒等等。

没错，通过阅读YOLO V4的原文，我觉得它更像一篇目标检测模型Tricks文献综述,可见作者在目标检测领域的知识（炼丹技术）积累之多。

从本质上，YOLO V4就是筛选了一些从YOLO V3发布至今，被用在各式各样检测器上，能够提高检测精度的tricks，并以YOLO V3为基础进行改进的目标检测模型。YOLO V4在保证速度的同时，大幅提高模型的检测精度(当然，这是相较于YOLO V3的）。

上图可以看出来，虽然检测精度不如EfficientDet这种变态，但是速度上是遥遥领先的，说明YOLO V4并没有忘记初心（速度和精度的trade off，我YOLO才是佼佼者）！

其实我是比较推荐大家看看YOLO V4原文的，就当炼丹手册来看也是挺好的，如果你懒得看，那这里我贴出来一张图，就是最终YOLO V4的炼丹配方，如下：

YOLO V4炼丹配方

这么一看，这炼丹配方多清晰呀,和YOLO V3对比,主要做了以下改变:

1. 相较于YOLO V3的DarkNet53，YOLO V4用了CSPDarkNet53
2. 相较于YOLO V3的FPN,YOLO V4用了SPP+PAN
3. CutMix数据增强和马赛克（Mosaic）数据增强
4. DropBlock正则化
5. 等等

这技巧太多了，着实让人数不过来。按照惯例，我喜欢结合代码对模型进行解析，论文的话看个思路，实现的细节还是在代码中体现的较具体。原作者YOLO V4的代码是基于C++的，如下：

YOLO V4 C++(原版）​github.com

这个解析起来太麻烦了，我找了个看起来不麻烦的，基于Keras+Tensorflow的，如下：

YOLO V4 Keras版本​github.com

本次YOLO V4论文和代码解析也将基于这个版本的进行的啦！

后面的内容将按照以下步骤进行介绍。

• （1）YOLO V4的网络结构
• （2）YOLO V4的损失函数
• （3）一些Tricks的具体代码实现

2. YOLO V4的网络结构

这里我先给出YOLO V4的总结构图，如下（这里感谢评论区细心网友指正，之前那个结构图有点错误，现已修正）

主要有以下三部分组成

• BackBone:CSPDarknet53
• Neck:SPP+PAN
• HEAD:YOLO HEAD

接下面将逐个分析！

2.1 BackBone:CSPDarknet53

目前做检测器MAP指标的提升，都会考虑选择一个图像特征提取能力较强的backbone，且不能太大，那样影响检测的速度。YOLO V4中，则是选择了具有CSP（Cross-stage partial connections）的darknet53,而是没有选择在imagenet上跑分更高的CSPResNext50,

原因很简单，如上表，作者说：

For instance, our numerous studies demonstrate that the CSPResNext50 is
considerably better compared to CSPDarknet53 in terms of object classification on the ILSVRC2012 (ImageNet) dataset [. However, conversely, the CSPDarknet53 is
better compared to CSPResNext50 in terms of detecting objects on the MS COCO dataset

意思就是结合了在目标检测领域的精度来说，CSPDarknet53是要强于 CSPResNext50，这也告诉了我们，在图像分类上任务表现好的模型，不一定很适用于目标检测（这不是绝对的！）。

那么这个带有CSP结构的Darknet53，到底长什么样呢？如果对CSP结构感兴趣的，欢迎点击原文链接。

这里我们直接从代码上看看这个CSPDarknet53什么样子，定义如下

def 

如果把堆叠的残差单元(resblock_body)看成整体的话，那么这个结构和Darknet53以及ResNet等的确差别不大，特别是resblock_body的num_blocks为【1，2，8，8，4】和darknet53一模一样。

那么我们解析一下resblock_body的定义，如下：

def 

这么一看，和传统的ResBlock差别就出来了，为了大家更清晰地了解结构，我把这个残差单元的结构绘制出来，如下：

对照代码和上面的图片，可以比较清晰地看出来这个CSP残差单元和DarkNet/ResNet的残差单元的区别了。当然了，图上的DarknetConv2D_BN_Mish模块定义如下

• (1) DarknetConv2D_BN_Mish

def 

• (2) DarknetConv2D

def 

至此，YOLO V4的backbone部分就讲解完毕了。

2.2 Neck:SPP+PAN & Head:YOLO HEAD

目标检测模型的Neck部分主要用来融合不同尺寸特征图的特征信息。常见的有MaskRCNN中使用的FPN等，这里我们用EfficientDet论文中的一张图来进行说明。

可见，随着人们追求检测器在COCO数据集上的MAP指标,Neck部分也是出了很多花里胡哨的结构呀。

本文中的YOLO V4就是用到了SPP（Spatial pyramid pooling）+PAN(Path Aggregation Network，上图的结构b)。

在YOLO V4 Keras代码中，通常将YOLO HEAD(图片上的橙色块）紧接在SSP+PAN后面。为了便于说明，这里我们根据总图上的process1-5与三个YOLO HEAD ,对SSP+PAN+YOLO HEAD 部分进行解析。

(1) 其中process1的代码实现为：

y19 

显而易见，该进程接受CSPDarknet53最终的输出，返回变量y19(如总图上process1所示），这里我们也给出图示，如下：

Process1

(2) process2 代码如下

y19_upsample 

即先将上述的y19进行上采样至大小38x38，然后再和CSPDarknet53的204层输出进行堆叠，最后通过一系列DarknetConv2D_BN_Leaky模块，获得特征图y38。

（3） process3

process3的代码接受y_38上采样后的特征图 y38_upsample以及darknet网络的第131层输出作为输入，从而获得特征图y_38，如下：

y38_upsample 

（4）YOLO HEAD 1

紧接在process3之后，代码中使用简单的5+2层卷积层对上面的y76进行输出。其实这里的卷积层就是图中橙色区域YOLO HEAD1 ,在后面的y38_output和y19_output的输出过程中仍能够看到。其中代码如下：

#YOLO HEAD 1
    

该网络最后使用1x1卷积输出最大的一张特征图y76_output，维度为(76,76,num_anchor*(num_classes+5))。对应结构图中最大的输出特征图（最右边的淡蓝色特征图）。

（5） process4的代码如下：

#38x38 output
    

这一步骤比较关键，PAN和FPN的差异在于，FPN是自顶向下的特征融合，PAN在FPN的基础上，多了个自底向上的特征融合。具体自底向上的特征融合，就是process4完成的，可以看到该步骤先将y76下采样至38x38大小，再和y38堆叠，作为YOLO HEAD2的输入。

（6）YOLO HEAD 2

类似于YOLO HEAD 1,YOLO HEAD2也进行一系列卷积运算，获得维度大小为(38,38,num_anchor*(num_classes+5))的输出y38_output，其中代码如下：

#YOLO HEAD 2
    

其中process4和YOLO HEAD2如下图所示。

(7) Process5代码如下

#19x19 output
    

Process5和process4进程类似，不多赘述。后面接上YOLO HEAD 3。

（8）YOLO HEAD 3

和YOLO HEAD 1以及YOLO HEAD 2定义几乎类似，YOLO HEAD 3定义如下：

y19 

YOLO HEAD 3输出为(19,19,num_anchor*(num_classes+5)）的特征图y19_output。

3.结束语

上述有关YOLO V4的网络结构就讲到这里，我看了下，篇幅又有点长了，那关于损失函数和更多tricks实现的细节，我就放到后面再讲了，感谢大家支持！

有关下一篇损失函数的详解已经更新，请点击《YOLO V4 — 损失函数解析（特详细！）》。