【YOLO改进】换遍MMDET主干网络之ResNet50（基于MMYOLO）

最新推荐文章于 2024-08-30 08:59:25 发布

五山一胖

最新推荐文章于 2024-08-30 08:59:25 发布

阅读量1.2k

点赞数 13

分类专栏： YOLO改进文章标签： YOLO

本文链接：https://blog.youkuaiyun.com/Vlone_pp/article/details/138498478

版权

YOLO改进专栏收录该内容

38 篇文章

订阅专栏

ResNet50

ResNet50是ResNet（残差网络）系列中的一个重要成员，由微软研究院的Kaiming He等人在2015年提出。该模型的主要特点在于引入了“残差学习”的概念，从而有效地解决了深度神经网络中的梯度消失和网络退化问题。

具体来说，ResNet50的网络结构深度达到50层，其设计思路是在网络中引入残差连接（residual connection），允许信息在网络层之间直接跳跃传递。这种设计使得在增加网络深度的同时，不会出现梯度消失的问题，进而提升了模型的性能。

ResNet50模型由多个残差块组成，每个残差块包含三个卷积层，分别是1x1、3x3和1x1的卷积，用于降维、处理特征、升维。这种设计使得模型在保持相同复杂性的情况下，能够有更深的网络结构。

ResNet50作为YOLO主干网络的可行性分析

YOLO（You Only Look Once）是一种实时目标检测算法，其特点在于将目标检测任务视为一个回归问题，通过单次前向传播即可预测多个目标的位置和类别。在YOLO的算法框架中，主干网络负责提取图像中的特征信息，对于模型的性能至关重要。

将ResNet50作为YOLO的主干网络具有以下可行性：

深度优势：ResNet50具有较深的网络结构，能够提取到更加丰富的图像特征信息。这对于目标检测任务来说至关重要，因为丰富的特征信息有助于提高目标定位的精度和分类的准确性。
残差连接：ResNet50中的残差连接可以有效地解决深度神经网络中的梯度消失问题，使得网络在深度增加时仍能保持稳定的性能。这对于YOLO这种需要处理大量数据和复杂场景的任务来说非常重要。
兼容性：ResNet50作为一种经典的深度神经网络模型，已经被广泛应用于各种计算机视觉任务中，包括目标检测、图像分类等。因此，将ResNet50作为YOLO的主干网络具有很好的兼容性，可以充分利用已有的研究成果和经验。

替换ResNet50(基于MMYOLO)

OpenMMLab 2.0 体系中 MMYOLO、MMDetection、MMClassification、MMSelfsup 中的模型注册表都继承自 MMEngine 中的根注册表，允许这些 OpenMMLab 开源库直接使用彼此已经实现的模块。因此用户可以在 MMYOLO 中使用来自 MMDetection、MMClassification、MMSelfsup 的主干网络，而无需重新实现。

假设想将 ResNet50 作为YOLOv5的主干网络，则配置文件如下：

_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'

deepen_factor = _base_.deepen_factor
widen_factor = 1.0
channels = [512, 1024, 2048]

model = dict(
    backbone=dict(
        _delete_=True, # 将 _base_ 中关于 backbone 的字段删除
        type='mmdet.ResNet', # 使用 mmdet 中的 ResNet
        depth=50,
        num_stages=4,
        out_indices=(1, 2, 3),
        frozen_stages=1,
        norm_cfg=dict(type='BN', requires_grad=True),
        norm_eval=True,
        style='pytorch',
        init_cfg=dict(type='Pretrained', checkpoint='torchvision://resnet50')),
    neck=dict(
        type='YOLOv5PAFPN',
        widen_factor=widen_factor,
        in_channels=channels, # 注意：ResNet-50 输出的3个通道是 [512, 1024, 2048]，和原先的 yolov5-s neck 不匹配，需要更改
        out_channels=channels),
    bbox_head=dict(
        type='YOLOv5Head',
        head_module=dict(
            type='YOLOv5HeadModule',
            in_channels=channels, # head 部分输入通道也要做相应更改
            widen_factor=widen_factor))
)