YOLO算法最全綜述：從YOLOv1到Y(jié)OLOv5

https://zhuanlan.zhihu.com/p/136382095

YOLO官網(wǎng)：

https://github.com/pjreddie/darknet

1.統(tǒng)一網(wǎng)絡(luò):YOLO沒有顯示求取region proposal的過程。Faster R-CNN中盡管RPN與fast rcnn共享卷積層，但是在模型訓練過程中，需要反復(fù)訓練RPN網(wǎng)絡(luò)和fast rcnn網(wǎng)絡(luò).相對于R-CNN系列的"看兩眼"(候選框提取與分類),YOLO只需要Look Once.
2. YOLO統(tǒng)一為一個回歸問題，而R-CNN將檢測結(jié)果分為兩部分求解：物體類別（分類問題），物體位置即bounding box（回歸問題）。

論文下載：http://arxiv.org/abs/1506.02640

代碼下載：https://github.com/pjreddie/darknet

核心思想：將整張圖片作為網(wǎng)絡(luò)的輸入（類似于Faster-RCNN），直接在輸出層對BBox的位置和類別進行回歸。

• 將一幅圖像分成SxS個網(wǎng)格(grid cell)，如果某個object的中心 落在這個網(wǎng)格中，則這個網(wǎng)格就負責預(yù)測這個object。

• 每個網(wǎng)絡(luò)需要預(yù)測B個BBox的位置信息和confidence（置信度）信息，一個BBox對應(yīng)著四個位置信息和一個confidence信息。confidence代表了所預(yù)測的box中含有object的置信度和這個box預(yù)測的有多準兩重信息：

其中如果有object落在一個grid cell里，第一項取1，否則取0。第二項是預(yù)測的bounding box和實際的groundtruth之間的IoU值。

• 每個bounding box要預(yù)測(x, y, w, h)和confidence共5個值，每個網(wǎng)格還要預(yù)測一個類別信息，記為C類。則SxS個網(wǎng)格，每個網(wǎng)格要預(yù)測B個bounding box還要預(yù)測C個categories。輸出就是S x S x (5*B+C)的一個tensor。（注意：class信息是針對每個網(wǎng)格的，confidence信息是針對每個bounding box的。）
• 舉例說明: 在PASCAL VOC中，圖像輸入為448x448，取S=7，B=2，一共有20個類別(C=20)。則輸出就是7x7x30的一個tensor。整個網(wǎng)絡(luò)結(jié)構(gòu)如下圖所示：

• 在test的時候，每個網(wǎng)格預(yù)測的class信息和bounding box預(yù)測的confidence信息相乘，就得到每個bounding box的class-specific confidence score:

等式左邊第一項就是每個網(wǎng)格預(yù)測的類別信息，第二三項就是每個bounding box預(yù)測的confidence。這個乘積即encode了預(yù)測的box屬于某一類的概率，也有該box準確度的信息。

• 得到每個box的class-specific confidence score以后，設(shè)置閾值，濾掉得分低的boxes，對保留的boxes進行NMS處理，就得到最終的檢測結(jié)果。

簡單的概括就是：
(1) 給個一個輸入圖像，首先將圖像劃分成7*7的網(wǎng)格(2) 對于每個網(wǎng)格，我們都預(yù)測2個邊框（包括每個邊框是目標的置信度以及每個邊框區(qū)域在多個類別上的概率）(3) 根據(jù)上一步可以預(yù)測出7*7*2個目標窗口，然后根據(jù)閾值去除可能性比較低的目標窗口，最后NMS去除冗余窗口即可

在實現(xiàn)中，最主要的就是怎么設(shè)計損失函數(shù)，讓這個三個方面得到很好的平衡。作者簡單粗暴的全部采用了sum-squared error loss來做這件事。
這種做法存在以下幾個問題：

• 第一，8維的localization error和20維的classification error同等重要顯然是不合理的；
• 第二，如果一個網(wǎng)格中沒有object（一幅圖中這種網(wǎng)格很多），那么就會將這些網(wǎng)格中的box的confidence push到0，相比于較少的有object的網(wǎng)格，這種做法是overpowering的，這會導(dǎo)致網(wǎng)絡(luò)不穩(wěn)定甚至發(fā)散。

解決辦法：

• 更重視8維的坐標預(yù)測，給這些損失前面賦予更大的loss weight。
• 對沒有object的box的confidence loss，賦予小的loss weight。
• 有object的box的confidence loss和類別的loss的loss weight正常取1。

對不同大小的box預(yù)測中，相比于大box預(yù)測偏一點，小box預(yù)測偏一點肯定更不能被忍受的。而sum-square error loss中對同樣的偏移loss是一樣。
為了緩和這個問題，作者用了一個比較取巧的辦法，就是將box的width和height取平方根代替原本的height和width。這個參考下面的圖很容易理解，小box的橫軸值較小，發(fā)生偏移時，反應(yīng)到y(tǒng)軸上相比大box要大。（也是個近似逼近方式）

一個網(wǎng)格預(yù)測多個box，希望的是每個box predictor專門負責預(yù)測某個object。具體做法就是看當前預(yù)測的box與ground truth box中哪個IoU大，就負責哪個。這種做法稱作box predictor的specialization。
最后整個的損失函數(shù)如下所示：

這個損失函數(shù)中：

• 只有當某個網(wǎng)格中有object的時候才對classification error進行懲罰。
• 只有當某個box predictor對某個ground truth box負責的時候，才會對box的coordinate error進行懲罰，而對哪個ground truth box負責就看其預(yù)測值和ground truth box的IoU是不是在那個cell的所有box中最大。

其他細節(jié)，例如使用激活函數(shù)使用leak RELU，模型用ImageNet預(yù)訓練等等

• 快速，pipline簡單.
• 背景誤檢率低。
• 通用性強。YOLO對于藝術(shù)類作品中的物體檢測同樣適用。它對非自然圖像物體的檢測率遠遠高于DPM和RCNN系列檢測方法。

• 由于輸出層為全連接層，因此在檢測時，YOLO訓練模型只支持與訓練圖像相同的輸入分辨率。
• 雖然每個格子可以預(yù)測B個bounding box，但是最終只選擇只選擇IOU最高的bounding box作為物體檢測輸出，即每個格子最多只預(yù)測出一個物體。當物體占畫面比例較小，如圖像中包含畜群或鳥群時，每個格子包含多個物體，但卻只能檢測出其中一個。這是YOLO方法的一個缺陷。
• YOLO loss函數(shù)中，大物體IOU誤差和小物體IOU誤差對網(wǎng)絡(luò)訓練中l(wèi)oss貢獻值接近（雖然采用求平方根方式，但沒有根本解決問題）。因此，對于小物體，小的IOU誤差也會對網(wǎng)絡(luò)優(yōu)化過程造成很大的影響，從而降低了物體檢測的定位準確性。

論文地址：https://arxiv.org/abs/1612.08242

YOLOv2相對v1版本，在繼續(xù)保持處理速度的基礎(chǔ)上，從預(yù)測更準確（Better），速度更快（Faster），識別對象更多（Stronger）這三個方面進行了改進。其中識別更多對象也就是擴展到能夠檢測9000種不同對象，稱之為YOLO9000。
文章提出了一種新的訓練方法–聯(lián)合訓練算法，這種算法可以把這兩種的數(shù)據(jù)集混合到一起。使用一種分層的觀點對物體進行分類，用巨量的分類數(shù)據(jù)集數(shù)據(jù)來擴充檢測數(shù)據(jù)集，從而把兩種不同的數(shù)據(jù)集混合起來。
聯(lián)合訓練算法的基本思路就是：同時在檢測數(shù)據(jù)集和分類數(shù)據(jù)集上訓練物體檢測器（Object Detectors ），用檢測數(shù)據(jù)集的數(shù)據(jù)學習物體的準確位置，用分類數(shù)據(jù)集的數(shù)據(jù)來增加分類的類別量、提升健壯性。
YOLO9000就是使用聯(lián)合訓練算法訓練出來的，他擁有9000類的分類信息，這些分類信息學習自ImageNet分類數(shù)據(jù)集，而物體位置檢測則學習自COCO檢測數(shù)據(jù)集。
YOLOv2相比YOLOv1的改進策略

Batch Normalization（批量歸一化）
mAP提升2.4%。
批歸一化有助于解決反向傳播過程中的梯度消失和梯度爆炸問題，降低對一些超參數(shù)（比如學習率、網(wǎng)絡(luò)參數(shù)的大小范圍、激活函數(shù)的選擇）的敏感性，并且每個batch分別進行歸一化的時候，起到了一定的正則化效果（YOLO2不再使用dropout），從而能夠獲得更好的收斂速度和收斂效果。
通常，一次訓練會輸入一批樣本（batch）進入神經(jīng)網(wǎng)絡(luò)。批規(guī)一化在神經(jīng)網(wǎng)絡(luò)的每一層，在網(wǎng)絡(luò)（線性變換）輸出后和激活函數(shù)（非線性變換）之前增加一個批歸一化層（BN），BN層進行如下變換：①對該批樣本的各特征量（對于中間層來說，就是每一個神經(jīng)元）分別進行歸一化處理，分別使每個特征的數(shù)據(jù)分布變換為均值0，方差1。從而使得每一批訓練樣本在每一層都有類似的分布。這一變換不需要引入額外的參數(shù)。②對上一步的輸出再做一次線性變換，假設(shè)上一步的輸出為Z，則Z1=γZ + β。這里γ、β是可以訓練的參數(shù)。增加這一變換是因為上一步驟中強制改變了特征數(shù)據(jù)的分布，可能影響了原有數(shù)據(jù)的信息表達能力。增加的線性變換使其有機會恢復(fù)其原本的信息。
關(guān)于批規(guī)一化的更多信息可以參考 Batch Normalization原理與實戰(zhàn)。
High resolution classifier（高分辨率圖像分類器）
mAP提升了3.7%。
圖像分類的訓練樣本很多，而標注了邊框的用于訓練對象檢測的樣本相比而言就比較少了，因為標注邊框的人工成本比較高。所以對象檢測模型通常都先用圖像分類樣本訓練卷積層，提取圖像特征。但這引出的另一個問題是，圖像分類樣本的分辨率不是很高。所以YOLO v1使用ImageNet的圖像分類樣本采用 224*224 作為輸入，來訓練CNN卷積層。然后在訓練對象檢測時，檢測用的圖像樣本采用更高分辨率的 448*448 的圖像作為輸入。但這樣切換對模型性能有一定影響。
所以YOLO2在采用 224*224 圖像進行分類模型預(yù)訓練后，再采用 448*448 的高分辨率樣本對分類模型進行微調(diào)（10個epoch），使網(wǎng)絡(luò)特征逐漸適應(yīng) 448*448 的分辨率。然后再使用 448*448 的檢測樣本進行訓練，緩解了分辨率突然切換造成的影響。
Convolution with anchor boxes（使用先驗框）
召回率大幅提升到88%，同時mAP輕微下降了0.2。
YOLOV1包含有全連接層，從而能直接預(yù)測Bounding Boxes的坐標值。Faster R-CNN的方法只用卷積層與Region Proposal Network來預(yù)測Anchor Box的偏移值與置信度，而不是直接預(yù)測坐標值。作者發(fā)現(xiàn)通過預(yù)測偏移量而不是坐標值能夠簡化問題，讓神經(jīng)網(wǎng)絡(luò)學習起來更容易。
借鑒Faster RCNN的做法，YOLO2也嘗試采用先驗框（anchor）。在每個grid預(yù)先設(shè)定一組不同大小和寬高比的邊框，來覆蓋整個圖像的不同位置和多種尺度，這些先驗框作為預(yù)定義的候選區(qū)在神經(jīng)網(wǎng)絡(luò)中將檢測其中是否存在對象，以及微調(diào)邊框的位置。
之前YOLO1并沒有采用先驗框，并且每個grid只預(yù)測兩個bounding box，整個圖像98個。YOLO2如果每個grid采用9個先驗框，總共有13*13*9=1521個先驗框。所以最終YOLO去掉了全連接層，使用Anchor Boxes來預(yù)測 Bounding Boxes。作者去掉了網(wǎng)絡(luò)中一個Pooling層，這讓卷積層的輸出能有更高的分辨率。收縮網(wǎng)絡(luò)讓其運行在416*416而不是448*448。
由于圖片中的物體都傾向于出現(xiàn)在圖片的中心位置，特別是那種比較大的物體，所以有一個單獨位于物體中心的位置用于預(yù)測這些物體。YOLO的卷積層采用32這個值來下采樣圖片，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的Feature Map。使用Anchor Box會讓精確度稍微下降，但用了它能讓YOLO能預(yù)測出大于一千個框，同時recall達到88%，mAP達到69.2%。
Dimension clusters（聚類提取先驗框的尺度信息）
之前Anchor Box的尺寸是手動選擇的，所以尺寸還有優(yōu)化的余地。YOLO2嘗試統(tǒng)計出更符合樣本中對象尺寸的先驗框，這樣就可以減少網(wǎng)絡(luò)微調(diào)先驗框到實際位置的難度。YOLO2的做法是對訓練集中標注的邊框進行K-mean聚類分析，以尋找盡可能匹配樣本的邊框尺寸。
如果我們用標準的歐式距離的k-means，尺寸大的框比小框產(chǎn)生更多的錯誤。因為我們的目的是提高IOU分數(shù)，這依賴于Box的大小，所以距離度量的使用：

centroid是聚類時被選作中心的邊框，box就是其它邊框，d就是兩者間的“距離”。IOU越大，“距離”越近。YOLO2給出的聚類分析結(jié)果如下圖所示：
通過分析實驗結(jié)果（Figure 2），左圖：在model復(fù)雜性與high recall之間權(quán)衡之后，選擇聚類分類數(shù)K=5。右圖：是聚類的中心，大多數(shù)是高瘦的Box。
Table1是說明用K-means選擇Anchor Boxes時，當Cluster IOU選擇值為5時，AVG IOU的值是61，這個值要比不用聚類的方法的60.9要高。選擇值為9的時候，AVG IOU更有顯著提高。總之就是說明用聚類的方法是有效果的。

Direct location prediction（約束預(yù)測邊框的位置）

借鑒于Faster RCNN的先驗框方法，在訓練的早期階段，其位置預(yù)測容易不穩(wěn)定。其位置預(yù)測公式為：

其中， 是預(yù)測邊框的中心， 是先驗框（anchor）的中心點坐標， 是先驗框（anchor）的寬和高， 是要學習的參數(shù)。注意，YOLO論文中寫的是 ，根據(jù)Faster RCNN，應(yīng)該是"+"。由于 的取值沒有任何約束，因此預(yù)測邊框的中心可能出現(xiàn)在任何位置，訓練早期階段不容易穩(wěn)定。YOLO調(diào)整了預(yù)測公式，將預(yù)測邊框的中心約束在特定gird網(wǎng)格內(nèi)。σ

其中， 是預(yù)測邊框的中心和寬高。 是預(yù)測邊框的置信度，YOLO1是直接預(yù)測置信度的值，這里對預(yù)測參數(shù) 進行σ變換后作為置信度的值。 是當前網(wǎng)格左上角到圖像左上角的距離，要先將網(wǎng)格大小歸一化，即令一個網(wǎng)格的寬=1，高=1。 是先驗框的寬和高。σ是sigmoid函數(shù)。 是要學習的參數(shù)，分別用于預(yù)測邊框的中心和寬高，以及置信度。

因為使用了限制讓數(shù)值變得參數(shù)化，也讓網(wǎng)絡(luò)更容易學習、更穩(wěn)定。
Fine-Grained Features（passthrough層檢測細粒度特征）
passthrough層檢測細粒度特征使mAP提升1。
對象檢測面臨的一個問題是圖像中對象會有大有小，輸入圖像經(jīng)過多層網(wǎng)絡(luò)提取特征，最后輸出的特征圖中（比如YOLO2中輸入416*416經(jīng)過卷積網(wǎng)絡(luò)下采樣最后輸出是13*13），較小的對象可能特征已經(jīng)不明顯甚至被忽略掉了。為了更好的檢測出一些比較小的對象，最后輸出的特征圖需要保留一些更細節(jié)的信息。
YOLO2引入一種稱為passthrough層的方法在特征圖中保留一些細節(jié)信息。具體來說，就是在最后一個pooling之前，特征圖的大小是26*26*512，將其1拆4，直接傳遞（passthrough）到pooling后（并且又經(jīng)過一組卷積）的特征圖，兩者疊加到一起作為輸出的特征圖。

具體怎樣1拆4，下面借用一副圖看的很清楚。圖中示例的是1個4*4拆成4個2*2。因為深度不變，所以沒有畫出來。

另外，根據(jù)YOLO2的代碼，特征圖先用1*1卷積從 26*26*512 降維到 26*26*64，再做1拆4并passthrough。下面圖6有更詳細的網(wǎng)絡(luò)輸入輸出結(jié)構(gòu)。
Multi-ScaleTraining（多尺度圖像訓練）
作者希望YOLO v2能健壯的運行于不同尺寸的圖片之上，所以把這一想法用于訓練model中。
區(qū)別于之前的補全圖片的尺寸的方法，YOLO v2每迭代幾次都會改變網(wǎng)絡(luò)參數(shù)。每10個Batch，網(wǎng)絡(luò)會隨機地選擇一個新的圖片尺寸，由于使用了下采樣參數(shù)是32，所以不同的尺寸大小也選擇為32的倍數(shù){320，352…..608}，最小320*320，最大608*608，網(wǎng)絡(luò)會自動改變尺寸，并繼續(xù)訓練的過程。
這一政策讓網(wǎng)絡(luò)在不同的輸入尺寸上都能達到一個很好的預(yù)測效果，同一網(wǎng)絡(luò)能在不同分辨率上進行檢測。當輸入圖片尺寸比較小的時候跑的比較快，輸入圖片尺寸比較大的時候精度高，所以你可以在YOLO v2的速度和精度上進行權(quán)衡。
Figure4，Table 3：在voc2007上的速度與精度

hi-res detector（高分辨率圖像的對象檢測）
圖1表格中最后一行有個hi-res detector，使mAP提高了1.8。因為YOLO2調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)后能夠支持多種尺寸的輸入圖像。通常是使用416*416的輸入圖像，如果用較高分辨率的輸入圖像，比如544*544，則mAP可以達到78.6，有1.8的提升。

作者提出了一種在分類數(shù)據(jù)集和檢測數(shù)據(jù)集上聯(lián)合訓練的機制。使用檢測數(shù)據(jù)集的圖片去學習檢測相關(guān)的信息，例如bounding box 坐標預(yù)測，是否包含物體以及屬于各個物體的概率。使用僅有類別標簽的分類數(shù)據(jù)集圖片去擴展可以檢測的種類。
作者通過ImageNet訓練分類、COCO和VOC數(shù)據(jù)集來訓練檢測，這是一個很有價值的思路，可以讓我們達到比較優(yōu)的效果。通過將兩個數(shù)據(jù)集混合訓練，如果遇到來自分類集的圖片則只計算分類的Loss，遇到來自檢測集的圖片則計算完整的Loss。
但是ImageNet對應(yīng)分類有9000種，而COCO則只提供80種目標檢測，作者使用multi-label模型，即假定一張圖片可以有多個label，并且不要求label間獨立。通過作者Paper里的圖來說明，由于ImageNet的類別是從WordNet選取的，作者采用以下策略重建了一個樹形結(jié)構(gòu)（稱為分層樹）：

1. 遍歷Imagenet的label，然后在WordNet中尋找該label到根節(jié)點(指向一個物理對象)的路徑；
2. 如果路徑直有一條，那么就將該路徑直接加入到分層樹結(jié)構(gòu)中；
3. 否則，從剩余的路徑中選擇一條最短路徑，加入到分層樹。

這個分層樹我們稱之為 WordTree，作用就在于將兩種數(shù)據(jù)集按照層級進行結(jié)合。

分類時的概率計算借用了決策樹思想，某個節(jié)點的概率值等于該節(jié)點到根節(jié)點的所有條件概率之積。最終結(jié)果是一顆 WordTree （視覺名詞組成的層次結(jié)構(gòu)模型）。用WordTree執(zhí)行分類時，預(yù)測每個節(jié)點的條件概率。如果想求得特定節(jié)點的絕對概率，只需要沿著路徑做連續(xù)乘積。例如，如果想知道一張圖片是不是“Norfolk terrier ”需要計算：

另外，為了驗證這種方法作者在WordTree（用1000類別的ImageNet創(chuàng)建）上訓練了Darknet-19模型。為了創(chuàng)建WordTree1k，作者天添加了很多中間節(jié)點，把標簽由1000擴展到1369。訓練過程中g(shù)round truth標簽要順著向根節(jié)點的路徑傳播。例如，如果一張圖片被標記為“Norfolk terrier”，它也被標記為“dog” 和“mammal”等。為了計算條件概率，模型預(yù)測了一個包含1369個元素的向量，而且基于所有“同義詞集”計算softmax，其中“同義詞集”是同一概念的下位詞。
softmax操作也同時應(yīng)該采用分組操作，下圖上半部分為ImageNet對應(yīng)的原生Softmax，下半部分對應(yīng)基于WordTree的Softmax：

通過上述方案構(gòu)造WordTree，得到對應(yīng)9418個分類，通過重采樣保證Imagenet和COCO的樣本數(shù)據(jù)比例為4:1。

論文地址：

https://pjreddie.com/media/files/papers/YOLOv3.pdf

YOLO v3的模型比之前的模型復(fù)雜了不少，可以通過改變模型結(jié)構(gòu)的大小來權(quán)衡速度與精度。
速度對比如下：

簡而言之，YOLOv3 的先驗檢測（Prior detection）系統(tǒng)將分類器或定位器重新用于執(zhí)行檢測任務(wù)。他們將模型應(yīng)用于圖像的多個位置和尺度。而那些評分較高的區(qū)域就可以視為檢測結(jié)果。此外，相對于其它目標檢測方法，我們使用了完全不同的方法。我們將一個單神經(jīng)網(wǎng)絡(luò)應(yīng)用于整張圖像，該網(wǎng)絡(luò)將圖像劃分為不同的區(qū)域，因而預(yù)測每一塊區(qū)域的邊界框和概率，這些邊界框會通過預(yù)測的概率加權(quán)。我們的模型相比于基于分類器的系統(tǒng)有一些優(yōu)勢。它在測試時會查看整個圖像，所以它的預(yù)測利用了圖像中的全局信息。與需要數(shù)千張單一目標圖像的 R-CNN 不同，它通過單一網(wǎng)絡(luò)評估進行預(yù)測。這令 YOLOv3 非?？?，一般它比 R-CNN 快 1000 倍、比 Fast R-CNN 快 100 倍。
改進之處

• 多尺度預(yù)測 （引入FPN）。
• 更好的基礎(chǔ)分類網(wǎng)絡(luò)（darknet-53, 類似于ResNet引入殘差結(jié)構(gòu)）。
• 分類器不在使用Softmax，分類損失采用binary cross-entropy loss（二分類交叉損失熵）

YOLOv3不使用Softmax對每個框進行分類，主要考慮因素有兩個：

1. Softmax使得每個框分配一個類別（score最大的一個），而對于Open Images這種數(shù)據(jù)集，目標可能有重疊的類別標簽，因此Softmax不適用于多標簽分類。
2. Softmax可被獨立的多個logistic分類器替代，且準確率不會下降。

分類損失采用binary cross-entropy loss。

每種尺度預(yù)測3個box, anchor的設(shè)計方式仍然使用聚類,得到9個聚類中心,將其按照大小均分給3個尺度。

• 尺度1: 在基礎(chǔ)網(wǎng)絡(luò)之后添加一些卷積層再輸出box信息.
• 尺度2: 從尺度1中的倒數(shù)第二層的卷積層上采樣(x2)再與最后一個16x16大小的特征圖相加,再次通過多個卷積后輸出box信息.相比尺度1變大兩倍.
• 尺度3: 與尺度2類似,使用了32x32大小的特征圖.

參見網(wǎng)絡(luò)結(jié)構(gòu)定義文件 yolov3.cfg
https://github.com/pjreddie/darknet/blob/master/cfg/yolov3.cfg

基礎(chǔ)網(wǎng)絡(luò) Darknet-53

仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.對比如下:

檢測結(jié)構(gòu)如下：

YOLOv3在mAP@0.5及小目標APs上具有不錯的結(jié)果,但隨著IOU的增大,性能下降,說明YOLOv3不能很好地與ground truth切合。

圖 2：帶有維度先驗和定位預(yù)測的邊界框。我們邊界框的寬和高以作為離聚類中心的位移，并使用 Sigmoid 函數(shù)預(yù)測邊界框相對于濾波器應(yīng)用位置的中心坐標。

仍采用之前的logis，其中cx,cy是網(wǎng)格的坐標偏移量,pw,ph是預(yù)設(shè)的anchor box的邊長.最終得到的邊框坐標值是b*,而網(wǎng)絡(luò)學習目標是t*，用sigmod函數(shù)、指數(shù)轉(zhuǎn)換。

YOLOv4: Optimal Speed and Accuracy of Object Detection

論文：https://arxiv.org/abs/2004.10934

代碼：https://github.com/AlexeyAB/darknet

YOLOv4！

YOLOv4 在COCO上，可達43.5％ AP，速度高達 65 FPS！
YOLOv4的特點是集大成者，俗稱堆料。但最終達到這么高的性能，一定是不斷嘗試、不斷堆料、不斷調(diào)參的結(jié)果，給作者點贊。下面看看堆了哪些料：

• Weighted-Residual-Connections (WRC)
• Cross-Stage-Partial-connections (CSP)
• Cross mini-Batch Normalization (CmBN)
• Self-adversarial-training (SAT)
• Mish-activation
• Mosaic data augmentation
• CmBN
• DropBlock regularization
• CIoU loss

本文的主要貢獻如下：
1. 提出了一種高效而強大的目標檢測模型。它使每個人都可以使用1080 Ti或2080 Ti GPU 訓練超快速和準確的目標檢測器（牛逼！）。2. 在檢測器訓練期間，驗證了SOTA的Bag-of Freebies 和Bag-of-Specials方法的影響。3. 改進了SOTA的方法，使它們更有效，更適合單GPU訓練，包括CBN [89]，PAN [49]，SAM [85]等。文章將目前主流的目標檢測器框架進行拆分：input、backbone、neck 和 head。
具體如下圖所示：

• 對于GPU，作者在卷積層中使用：CSPResNeXt50 / CSPDarknet53
• 對于VPU，作者使用分組卷積，但避免使用（SE）塊-具體來說，它包括以下模型：EfficientNet-lite / MixNet / GhostNet / MobileNetV3

作者的目標是在輸入網(wǎng)絡(luò)分辨率，卷積層數(shù)，參數(shù)數(shù)量和層輸出（filters）的數(shù)量之間找到最佳平衡。
總結(jié)一下YOLOv4框架：

• Backbone：CSPDarknet53
• Neck：SPP，PAN
• Head：YOLOv3

YOLOv4 = CSPDarknet53+SPP+PAN+YOLOv3
其中YOLOv4用到相當多的技巧：

• 用于backbone的BoF：CutMix和Mosaic數(shù)據(jù)增強，DropBlock正則化，Class label smoothing
• 用于backbone的BoS：Mish激活函數(shù)，CSP，MiWRC
• 用于檢測器的BoF：CIoU-loss，CmBN，DropBlock正則化，Mosaic數(shù)據(jù)增強，Self-Adversarial 訓練，消除網(wǎng)格敏感性，對單個ground-truth使用多個anchor，Cosine annealing scheduler，最佳超參數(shù)，Random training shapes
• 用于檢測器的Bos：Mish激活函數(shù)，SPP，SAM，PAN，DIoU-NMS

看看YOLOv4部分組件：

感受一下YOLOv4實驗的充分性（調(diào)參的藝術(shù)）:

感受一下性能炸裂的YOLOv4實驗結(jié)果:

2020年2月YOLO之父Joseph Redmon宣布退出計算機視覺研究領(lǐng)域，2020 年 4 月 23 日YOLOv4 發(fā)布，2020 年 6 月 10 日YOLOv5發(fā)布。

YOLOv5源代碼：

https://github.com/ultralytics/yolov5

他們公布的結(jié)果表明，YOLOv5 的表現(xiàn)要優(yōu)于谷歌開源的目標檢測框架 EfficientDet，盡管 YOLOv5 的開發(fā)者沒有明確地將其與 YOLOv4 進行比較，但他們卻聲稱 YOLOv5 能在 Tesla P100 上實現(xiàn) 140 FPS 的快速檢測；相較而言，YOLOv4 的基準結(jié)果是在 50 FPS 速度下得到的，參閱：https://blog.roboflow.ai/yolov5-is-hereState-of-the-Art。

不僅如此，他們還提到「YOLOv5 的大小僅有 27 MB?！箤Ρ纫幌拢菏褂?darknet 架構(gòu)的 YOLOv4 有 244 MB。這說明 YOLOv5 實在特別小，比 YOLOv4 小近 90%。這也太瘋狂了！而在準確度指標上，「YOLOv5 與 YOLOv4 相當」。
因此總結(jié)起來，YOLOv5 宣稱自己速度非?？欤蟹浅］p量級的模型大小，同時在準確度方面又與 YOLOv4 基準相當。
大家對YOLOV5命名是爭議很大，因為YOLOV5相對于YOLOV4來說創(chuàng)新性的地方很少。不過它的性能應(yīng)該還是有的，現(xiàn)在kaggle上active檢測的比賽小麥檢測前面的選手大部分用的都是YOLOV5的框架。比賽鏈接：

https://www.kaggle.com/c/global-wheat-detection

參考

1.V1，V2，V3參考地址：

https://blog.csdn.net/App_12062011/article/details/77554288
2.V4轉(zhuǎn)載地址：

https://mp.weixin.qq.com/s/Ua3T-DOuzmLWuXfohEiVFw