目标检测算法——YOLO[v4~v6]

目录

1 YOLO v4

1.1 网络结构

1.2 特点

2 YOLO v5

2.1 Yolo v5s网络结构图

2.2 四种模型结构的参数

 2.3 特点

3 YOLO v6

---

1 YOLO v4

2020年4月23日出现的YOLO v4是一种端到端的目标检测方法，它将目标检测问题转化为回归问题，直接检测图像。

1.1 网络结构

网络结构如图所示。每一个网格会预先设定三个先验框，每个先验框会通过YOLO Head生成矩形框定位位置，判定类别，留下置信度高于阈值的矩形框。

与YOLO v3区别：增加CSP结构，PAN结构。

各组件含义：

CBM：Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。

CBL：由Conv+Bn+Leaky_relu激活函数三者组成。

Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。

CSPX：借鉴CSPNet网络结构，由卷积层和X个Res unint模块Concate组成。

SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融合。

Concat：张量拼接，维度会扩充，和Yolov3中的解释一样，对应于cfg文件中的route操作。

add：张量相加，不会扩充维度，对应于cfg文件中的shortcut操作。

其它：

（1）YOLO v4以CSPDarknet-53为主干特征提取网络。

CSPDarknet-53是由v3中的Darknet-53改进的，将Darknet-53中的残差块进行修改，引入了CSPNet结构。将原本的残差块进行了拆分，拆成左右两个部分，主干部分依然继续将残差块一个一个地堆叠，而另一部分只需要作少量的操作就可以直接与残差块的尾部相连，使得CSPDarknet-53中存在一个大的残差边。

对于YOLO v4这种深层网络来说，残差边可以把信息传递到网络的深层，将浅层信息与深层信息进行结合，避免了梯度消失的问题，增强网络特征提取能力。 

（2）CSPDarknet-53将卷积中的激活函数由Leaky-ReLU换为Mish。

a.Mish函数 𝑓(𝑥)=𝑥tanh(ln(1+𝑒𝑥)) 具有平滑和连续等特点，可以让网络具有更好的泛化能力，使信息可以更深入网络。

b.Mish函数无上界且有下界，无上界可以避免有界封顶而造成饱和，其非单调性、有下界和对负值的小范围允许也都有助于网络的训练。 

1.2 特点

（1）YOLO v4对训练时的输入端做出改进，包括Mosaic数据增强、cmBN和SAT自对抗训练。

Mosaic数据增强采用4张图片随机缩放、随机裁剪、随机排布的方式进行拼接。这大大丰富了检测数据集，特别是随机缩放增加了很多小目标，让网络的鲁棒性更好，并且减少了GPU。

（2）BackBone主干网络：将各种新的方式结合起来，包括：CSPDarknet53、Mish激活函数、Dropblock。

CSPDarknet53：

包含了5个CSP模块，每个CSP模块前面的卷积核的大小都是3*3，stride=2，可以起到下采样的作用。因为Backbone有5个CSP模块，输入图像是608*608，所以特征图变化的规律是：608->304->152->76->38->19。

采用CSPDarknet53网络结构的优点：增强CNN的学习能力，使得在轻量化的同时保持准确性；降低计算瓶颈；降低内存成本。

Mish激活函数：

Yolov4的Backbone中都使用了Mish激活函数，能提高精度；而后面的网络则还是使用leaky_relu函数。

Dropblock：

和常见网络中的Dropout功能类似，是缓解过拟合的一种正则化方式。

（3）Yolov4的Neck结构主要采用了SPP模块、FPN+PAN的方式。

在目标检测领域，为了更好的提取融合特征，通常在Backbone和输出层，会插入一些层，这个部分称为Neck。

（4）Prediction：输出层的锚框机制和Yolov3相同，主要改进的是训练时的损失函数CIOU_Loss，以及预测框筛选的nms变为DIOU_nms。

2 YOLO v5

2020年6月10日发布的YOLO v5，是一个模型家族，包括了YOLOv5s（最小）、YOLOv5m、YOLOv5l、YOLOv5x（最大）四个模型，可以通过设置参数来自动地控制模型大小，各版本性能比较如图所示。

（注：Yolov5的作者没有发表论文）

Yolo v5s网络是Yolov5系列中深度最小，特征图的宽度最小、AP精度最低的网络。后面的3种都是在此基础上不断加深，不断加宽。

2.1 Yolo v5s网络结构图

2.2 四种模型结构的参数

YOLOv5代码中的四种模型都是以yaml的形式来呈现，而且四个文件的内容基本上是一样的，区别在于depth_multiple和width_multiple两个参数不同。

	depth_multiple	width_multiple
Yolov5s	0.33	0.50
Yolov5m	0.67	0.75
Yolov5l	1.0	1.0
Yolov5x	1.33	1.25

注：YOLOv5s(v 6.0)是目前速度和精度均较好的轻量化检测算法，但是它仍不能很好地提取通用目标检测数据集的小目标特征，故检测性能仍需要进一步提升。

 2.3 特点

（1）输入端

Yolo v5的输入端采用了和Yolo v4一样的Mosaic数据增强的方式，对小目标的检测效果很不错。

a 自适应锚框计算

在Yolo算法中，针对不同的数据集，都会有初始设定长宽的锚框。在网络训练中，网络在初始锚框的基础上输出预测框，进而和真实框进行比对，计算两者差距，再反向更新，迭代网络参数。

Yolo v5将计算初始锚框的值的功能嵌入到代码中，每次训练时，自适应的计算不同训练集中的最佳锚框值。

b 自适应图片缩放

在常用的目标检测算法中，不同图片的尺寸都不相同，因此需统一缩放到一个标准尺寸，再送入检测网络中。

Yolov5对代码中letterbox函数进行了修改，对原始图像自适应的添加最少的黑边。使得计算量减少，目标检测速度得到提升。

（2）Backbone

a Focus结构

以Yolov5s的结构为例，原始608*608*3的图像输入Focus结构，采用切片操作，先变成304*304*12的特征图，再经过一次32个卷积核（其他三种结构使用的数量有所增加）的卷积操作，最终变成304*304*32的特征图。

b CSP结构

Yolov5中设计了两种CSP结构，以Yolov5s网络为例，CSP1_X结构应用于Backbone主干网络，另一种CSP2_X结构则应用于Neck中。而Yolov4中只有主干网络使用了CSP结构。

c Neck

Yolov5现在的Neck和Yolov4中一样，都采用FPN+PAN的结构。不同的是，v4的Neck结构中采用的都是普通的卷积操作，而Yolov5的Neck结构中采用CSP2结构，加强了网络特征融合的能力。

d 输出端

Yolov5采用CIOU_Loss做Bounding box的损失函数。

在目标检测的后处理过程中，针对很多目标框的筛选，通常需要nms操作，Yolov5则采用加权nms的方式。
 

3 YOLO v6

YOLOv6是美团视觉智能部研发的一款目标检测框架，致力于工业应用，于2022年6月份在GitHub上开源。紧随其后发布了YOLOv6 2.0版本，对轻量级网络进行了全面升级，推出了性能更强的全系列模型。YOLOv6具有硬件友好的高效设计和高性能，超越 了Yolov5，YoloX。

特点：主要特点是速度快、精度高、部署友好

（1）性能更强的全系列模型

（2）量身定制的量化方案

（3）完备的开发支持和多平台部署适配

v6源码地址：https://github.com/meituan/YOLOv6

注：这里仅对v6做简单了解。

参考文献：

1.YOLO v4论文原文：《YOLOv4: Optimal Speed and Accuracy of Object Detection》

2.深入浅出Yolo系列之Yolov3&Yolov4&Yolov5&Yolox核心基础知识完整讲解 - 知乎 (zhihu.com)

3.Yolov3、v4、v5、Yolox模型权重及网络结构图资源下载_江大白*的博客-CSDN博客

4.Yolov4可视化网络结构图_江大白*的博客-CSDN博客

5.YOLO v6论文原文：《YOLOv6: A Single-Stage Object Detection Framework for Industrial Applications》

6.目标检测开源框架YOLOv6全面升级，更快更准的2.0版本来啦 - 腾讯云开发者社区

注：

本文是学习所参考文献与资料后的整理与归纳，仅作学习记录，如有侵权请联系作者删除！欢迎大家指正与交流。