【超越YOLOv4】百度自研超高效目标检测器——PP-YOLO

前言：

之前，YOLO系列(v1-v3)作者 Joe Redmon 宣布不再继续CV方向的研究，引起学术圈一篇哗然。YOLO之父宣布退出CV界，坦言无法忽视自己工作带来的负面影响。当大家以为再也见不到YOLOv4的时候，然鹅不久前YOLOv4 来了！

YOLOv4的特点是集大成者，俗称堆料。但最终达到这么高的性能，一定是不断尝试、不断堆料、不断调参的结果，最终取得了非常好的成绩。更令人震惊的是，YOLOv4热度未退，PaddlePaddle又爆出猛料——发表了《PP-YOLO: An Effective and Efficient Implementation of Object Detector》。改论文提出的PP-YOLO称已经超越YOLOv4，我们来一睹为快吧！

论文地址：https://arxiv.org/pdf/2007.12099.pdf

简介：

目标检测是计算机视觉研究的重要领域之一，在各种实际场景中起着至关重要的作用。在实际应用中，由于硬件的限制，往往需要牺牲准确性来保证检测器的推断速度。因此，必须考虑目标检测器的有效性和效率之间的平衡。本文的目标不是提出一种新的检测模型，而是实现一种效果和效率相对均衡的对象检测器，可以直接应用于实际应用场景中。考虑到YOLOv3在实际应用中的广泛应用，作者开发了一种新的基于YOLOv3的对象检测器。

本文的作者们主要尝试结合现有的几乎不增加模型参数和FLOPs的各种技巧，在保证速度几乎不变的情况下，尽可能提高检测器的精度。由于本文所有实验都是基于PaddlePaddle进行的，所以作者称之为PP-YOLO。通过多种技巧的结合，PP-YOLO可以在效率(45.2% mAP)和效率(72.9 FPS)之间取得更好的平衡，超过了目前最先进的检测器EfficientDet和YOLOv4。

并且不像YOLOv4花费很大努力在探索高效的主干网络和数据增强策略，并且使用了NAS来搜索超参数（使得模型泛化性降低），PP-YOLO探索了更高效、使得模型更具有泛化性的策略。它的主干网络仅仅使用了ResNet，数据增强也只是直接用了MixUp，这使得PP-YOLO在训练和推理是更加高效。

同时这也说明使用更多Tricks和最新的主干网络，可能会使得PP-YOLO模型更准确。

网络结构：

Backbone：

原始的YOLOv3使用DarkNet-53提取不同尺度的feature map。由于ResNet得到了广泛的应用和研究，有更多不同的变体可供选择，也通过深度学习框架得到了更好的优化。因此，作者在PP-YOLO中将原来的主干DarkNet-53替换为ResNet50-vd。

考虑用ResNet50-vd直接替代DarkNet-53，会影响YOLOv3检测器的性能。作者将ResNet50-vd中的一些卷积层替换为可变形的卷积层。可变形卷积网络(DCN)的有效性已经在许多检测模型中得到验证。DCN本身不会显著增加模型中参数和FLOPs的数量，但在实际应用中，过多的DCN层会大大增加推断时间。因此，为了平衡效率和有效性，作者只在最后阶段用DCNs替换3×3个卷积层。作者将这个修改后的主干表示为ResNet50-vd-dcn，输出为$C_3、C_4、C_5$。

Detection Neck：

PP-YOLO也使用了FPN（特征金字塔）结构，并在特征图之间添加了横向连接。主干网络输出特征层$C_3、C_4、C_5$作为FPN结构的输入，分别得到特征金字塔 $P_l$，其中$l=3,4,5$，并且对于输入大小为 $W\times H$ 的图片，有 $P_l$大小为$\frac{W}{2^l}\times \frac{H}{2^l}$。

Detection Head：

检测头很简单，就是使用一个$3\times 3$卷积和一个$1\times 1$卷积获得最后输出预测。每个输出的通道数为$3\times (K+5)$，其中$K$是类别数，$3$代表关联的3个不同大小的anchors，$5$代表预测的坐标框偏移量（4个值）和一个置信度。

对于分类和回归问题，损失函数分别使用了交叉熵损失函数和L1损失函数。

优化技巧：

本节将介绍作者在本文中使用的各种技巧。这些技巧都是已经存在的，来自不同的作品。本文没有提出一种新的检测方法，只是着重结合现有的技术实现一种高效的检测器。因为很多技巧不能直接应用到YOLOv3上，而是需要根据YOLOv3的结构进行调整。

Larger Batch Size：

使用更大的Batch Size会获得更好的模型稳定性，模型精度也会提升，因此作者将Batch Size从64调整到196。

EMA：

当训练一个模型时，保持训练参数的移动平均通常是有益的。使用平均参数的评估有时会产生比最终训练值好得多的结果。指数移动平均（EMA）使用指数衰减计算训练参数的移动平均。因此对于每个参数$W$，保留一个隐参数：

其中 $\lambda$ 是衰减系数。因此作者使用衰减系数为0.9998的EMA，并使用隐参数$W_{EMA}$进行评估。

DropBlock：

DropBlock是结构化的dropout的一种形式，它将feature map相邻区域中的单元一起删除。与原论文不同的是，作者只对检测头使用DropBlock，因为作者发现在主干网络中添加DropBlock会导致性能下降。DropBlock的具体插入点在图中用紫色三角形标记。

IoU Loss：

与YOLOv4不同，作者没有直接将L1损失替换为IoU损失，而是增加了一个分支来计算IoU损失。

IoU Aware：

在YOLOv3中，将分类概率和前景得分乘作为最终检测置信度，而不考虑定位精度。为了解决这一问题，作者引入了IoU预测分支来衡量定位精度。在训练过程中，采用IoU感知损失来训练IoU预测分支。在推理时，将预测的IoU乘以分类概率和客观评分来计算最终的检测置信度，置信度与定位精度关系更大。然后使用最终的检测置信度作为后续NMS的输入。这只添加了0.01%的参数和0.0001%的FLOPs，几乎可以忽略。

Grid Sensitive：

网格敏感是YOLOv4引入的一个有效技巧。当我们解码边界盒中心x和y的坐标时，在原始YOLOv3中，我们可以通过以下式子得到它们：

其中，$\sigma$为sigmoid激活函数，$g_x$和$g_y$为整数。显然，$x$和$y$不能完全等于$s\cdot g_x$或$s\cdot (g_x+1)$，这使得预测仅仅位于网格边界上的边界框的中心变得困难。我们通过可以把方程变成以下式子来解决这个问题：

其中，本文将$\alpha$设置为1.05。这使得模型更容易准确地预测边界框中心位于网格边界上。

Matrix NMS：

Matrix NMS是由Soft NMS演化而来，并以并行的方式实现NMS。因此，Matrix NMS比传统NMS速度快，不会带来任何效率损失。

CoordConv：

CoordConv是通过使用额外的坐标通道对自己的输入坐标进行卷积访问。CoordConv允许网络学习完全的平移不变性或不同程度的平移依赖。考虑到CoordConv会在卷积层增加两个输入通道，因此会增加一些参数和FLOPs。为了尽可能减少效率的损失，作者不改变骨干网中的卷积层，只使用CoordConv替换FPN中的1x1卷积层和检测头中的第一卷积层。在图中，CoordConv的具体插入点由橙色的菱形标记。

SPP：

空间金字塔池（SPP）将SPM集成到CNN中，使用max-pooling操作，而不是bag-of-word操作。YOLOv4通过将大小为$k\times k$最大池化输出连接起来来应用SPP模块，其中$k=1,5,9,13$，$stride=1$。

PP-YOLO的SPP具体插入点带有红色星号标记。SPP本身没有引入参数，但是接下来的卷积层的输入通道数量会增加。所以增加了大约2%的参数量和1%的FLOPs。

实验结果：