目标检测YOLO系列总结

目标检测

一、YOLO系列

YOLOv1:

将图片划分为7*7网格，每个网格预测2个bbox(no_anchor) ，损失包含三部分：bounding box损失、confidence损失和classes损失。

对于一个预测20个类别的网络，每个网格预测2个bounding box，每个bounding box预测包括位置（x,y,w,h)和一个置信度confidence，加上20个类别的分数。网络最后输出7x7、深度为30的特征矩阵。

YOLOV2

YOLOv2 在YOLOv1的基础上做了许多改进：

• Darknet-19

Backbone使用Darknet-19，包含19个卷积层，6个池化和一个Softmax。

• Batch Normalization

Batch Normalization有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数（比如学习率、网络参数的大小范围、激活函数的选择）的敏感性，并且每个batch分别进行归一化的时候，起到了一定的正则化效果（YOLOv2不再使用dropout），从而能够获得更好的收敛速度和收敛效果

• Anchor

在YOLOv1中时直接预测边界框的中心坐标、宽度和高度的方式定位效果比较差，所以在YOLOv2中作者采用anchor进行目标框的预测，采用anchor也可以使网络更容易的去学习和收敛。

• Dimension Clusters

使用K-means算法聚类得到先验框。

• Direct location prediction

直接是使用anchor进行预测时发现，在训练模型的时候训练不稳定，通过观察发现大部分不稳定因素来自中心坐标的预测部分导致，所以采用如下anchor预测方式。

YOLOV3

YOLOv3在YOLOv2的基础上改进了Backbone.采用Darknet53作为Backbone.

使用步长为2 的卷积层代替池化层

正负样本的匹配

针对每一个bounding box 都会分配一个bounding box prior，即针对每一个ground truth 都会分配一个正样本，一张图像中有几个ground truth就有几个正样本，分配原则其实也很简单，就是将与ground truth重合程度最大的bounding box prior作为正样本，如果与ground truth重合程度不是最大的但是又超过了某个阈值的bounding box prior，就直接丢弃，将最后剩下的样本作为负样本。

YOLOV4

• Bag of Freebies：指的是不增加模型复杂度，也不增加推理的计算量的用来提高模型的准确度训练的方法技巧。

• Bag-of-Specials：指的是增加少许模型复杂度或计算量，但可以显著提高模型准确度的训练技巧。
  BoF指的是

   1）数据增强：图像几何变换（随机缩放，裁剪，旋转），Cutmix，Mosaic等
  
   2）网络正则化：Dropout,Dropblock等
  
   3）损失函数的设计：边界框回归的损失函数的改进 CIOU               
  

  BoS指的是

   1）增大模型感受野：SPP、ASPP等
  
   2）引入注意力机制：SE、SAM
  
   3）特征集成：PAN，BiFPN                                  
  
   4）激活函数改进：Swish、Mish
  
   5）后处理方法改进：soft NMS、DIoU NMS
  

Backbone

采用的主干网络为 CSPDarknet53，CSPDarknet53是在Yolov3主干网络Darknet53的基础上，借鉴2019年CSPNet的经验，产生的Backbone结构，其中包含了5个CSP（跨阶段部分连接）模块。

FPN+PAN

FPN层自顶向下，将高层的特征信息通过上采样的方式进行传递融合，传达强语义特征，而PAN则自底向上传达强定位特征，提高特征提取的能力。两者从不同的主干层对不同的检测层进行参数聚合，加速了不同尺度特征的融合，进一步提高特征提取的能力。

SPP模块

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。

IOU总结

IOU -> GIOU->DIOU->CIOU
IOU_Loss：主要考虑检测框和目标框重叠面积。
GIOU_Loss：在IOU的基础上，解决边界框不重合时的问题。
DIOU_Loss：在IOU和GIOU的基础上，考虑边界框中心点距离的信息。
CIOU_Loss：在DIOU的基础上，考虑边界框宽高比的尺度信息。
YOLOv4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些。