全面解析YOLO V4网络结构(附代码讲解)

点击上方“深度学习技术前沿”,选择“星标”公众号

精选作品,第一时间送达

作者:周威

链接:https://zhuanlan.zhihu.com/p/150127712

本文已获作者授权,不得二次转载。

1.前言

最近用YOLO V4做车辆检测,配合某一目标追踪算法实现车辆追踪+轨迹提取等功能,正好就此结合论文和代码来对YOLO V4做个解析。先放上个效果图(半成品),如下:

话不多说,现在就开始对YOLO V4进行总结。

YOLO V4的论文:《YOLOv4: Optimal Speed and Accuracy of Object Detection》,相信大家也是经常看到这几个词眼:大神接棒、YOLO V4来了、Tricks 万花筒等等。

没错,通过阅读YOLO V4的原文,我觉得它更像一篇目标检测模型Tricks文献综述,可见作者在目标检测领域的知识(炼丹技术)积累之多。

从本质上,YOLO V4就是筛选一些从YOLO V3发布至今,被用在各式各样检测器上,能够提高检测精度tricks,并以YOLO V3为基础进行改进的目标检测模型。YOLO V4在保证速度的同时,大幅提高模型的检测精度(当然,这是相较于YOLO V3的)。

上图可以看出来,虽然检测精度不如EfficientDet这种变态,但是速度上是遥遥领先的,说明YOLO V4并没有忘记初心(速度和精度的trade off,我YOLO才是佼佼者)!

其实我是比较推荐大家看看YOLO V4原文的,就当炼丹手册来看也是挺好的,如果你懒得看,那这里我贴出来一张图,就是最终YOLO V4的炼丹配方,如下:

YOLO V4炼丹配方

这么一看,这炼丹配方多清晰呀,和YOLO V3对比,主要做了以下改变:

  1. 相较于YOLO V3的DarkNet53,YOLO V4用了CSPDarkNet53

  2. 相较于YOLO V3的FPN,YOLO V4用了SPP+PAN

  3. CutMix数据增强和马赛克(Mosaic)数据增强

  4. DropBlock正则化

  5. 等等

这技巧太多了,着实让人数不过来。按照惯例,我喜欢结合代码对模型进行解析,论文的话看个思路,实现的细节还是在代码中体现的较具体。原作者YOLO V4的代码是基于C++的,如下:

YOLO V4 C++(原版)

https://github.com/AlexeyAB/darknet

这个解析起来太麻烦了,我找了个看起来不麻烦的,基于Keras+Tensorflow的,如下:

YOLO V4 Keras版本

https://github.com/Ma-Dan/keras-yolo4

本次YOLO V4论文和代码解析也将基于这个版本的进行的啦!

后面的内容将按照以下步骤进行介绍。

  • (1)YOLO V4的网络结构

  • (2)YOLO V4的损失函数

  • (3)一些Tricks的具体代码实现

2. YOLO V4的网络结构

这里我先给出YOLO V4的总结构图,如下

主要有以下两部分组成

  • BackBone:CSPDarknet53

  • Neck:SPP+PAN

接下面将逐个分析!

2.1 BackBone:CSPDarknet53

目前做检测器MAP指标的提升,都会考虑选择一个图像特征提取能力较强的backbone,且不能太大,那样影响检测的速度。YOLO V4中,则是选择了具有CSP(Cross-stage partial connections)的darknet53,而是没有选择在imagenet上跑分更高的CSPResNext50,

原因很简单,如上表,作者说:

For instance, our numerous studies demonstrate that the CSPResNext50 is
considerably better compared to CSPDarknet53 in terms of object classification on the ILSVRC2012 (ImageNet) dataset [. However, conversely, the CSPDarknet53 is
better compared to CSPResNext50 in terms of detecting objects on the MS COCO dataset

意思就是结合了在目标检测领域的精度来说,CSPDarknet53是要强于CSPResNext50,这也告诉了我们,在图像分类上任务表现好的模型,不一定很适用于目标检测(这不是绝对的!)。

那么这个带有CSP结构的Darknet53,到底长什么样呢?如果对CSP结构感兴趣的,欢迎点击原文链接。

这里我们直接从代码上看看这个CSPDarknet53什么样子,定义如下

def darknet_body(x):    '''Darknent body having 52 Convolution2D layers'''    x = DarknetConv2D_BN_Mish(32, (3,3))(x)    x = resblock_body(x, 64, 1, False)    x = resblock_body(x, 128, 2)    x = resblock_body(x, 256, 8)    x = resblock_body(x, 512, 8)    x = resblock_body(x, 1024, 4)    return x

如果把堆叠的残差单元(resblock_body)看成整体的话,那么这个结构和Darknet53以及ResNet等的确差别不大,特别是resblock_body的num_blocks为【1,2,8,8,4】和darknet53一模一样。

那么我们解析一下resblock_body的定义,如下:

def resblock_body(x, num_filters, num_blocks, all_narrow=True):    '''A series of resblocks starting with a downsampling Convolution2D'''    # Darknet uses left and top padding instead of 'same' mode    preconv1 = ZeroPadding2D(((1,0),(1,0)))(x)    preconv1 = DarknetConv2D_BN_Mish(num_filters, (3,3), strides=(2,2))(preconv1)    shortconv = DarknetConv2D_BN_Mish(num_filters//2 if all_narrow else num_filters, (1,1))(preconv1)    mainconv = DarknetConv2D_BN_Mish(num_filters//2 if all_narrow else num_filters, (1,1))(preconv1)    for i in range(num_blocks):        y = compose(                DarknetConv2D_BN_Mish(num_filters//2, (1,1)),                DarknetConv2D_BN_Mish(num_filters//2 if all_narrow else num_filters, (3,3)))(mainconv)        mainconv = Add()([mainconv,y])    postconv = DarknetConv2D_BN_Mish(num_filters//2 if all_narrow else num_filters, (1,1))(mainconv)    route = Concatenate()([postconv, shortconv])    return DarknetConv2D_BN_Mish(num_filters, (1,1))(route)

这么一看,和传统的ResBlock差别就出来了,为了大家更清晰地了解结构,我把这个残差单元的结构绘制出来,如下:

对照代码和上面的图片,可以比较清晰地看出来这个CSP残差单元DarkNet/ResNet的残差单元的区别了。当然了,图上的DarknetConv2D_BN_Mish模块定义如下

  • (1) DarknetConv2D_BN_Mish

def DarknetConv2D_BN_Mish(*args, **kwargs):    """Darknet Convolution2D followed by BatchNormalization and LeakyReLU."""    no_bias_kwargs = {'use_bias': False}    no_bias_kwargs.update(kwargs)    return compose(        DarknetConv2D(*args, **no_bias_kwargs),        BatchNormalization(),        Mish())(2) DarknetConv2Ddef DarknetConv2D(*args, **kwargs):    """Wrapper to set Darknet parameters for Convolution2D."""    darknet_conv_kwargs = {}    darknet_conv_kwargs['kernel_initializer'] = keras.initializers.RandomNormal(mean=0.0, stddev=0.01)    darknet_conv_kwargs['padding'] = 'valid' if kwargs.get('strides')==(2,2) else 'same'    darknet_conv_kwargs.update(kwargs)    return Conv2D(*args, **darknet_conv_kwargs)

至此,YOLO V4的backbone部分就讲解完毕了。

2.2 Neck:SPP+PAN

目标检测模型的Neck部分主要用来融合不同尺寸特征图的特征信息。常见的有MaskRCNN中使用的FPN等,这里我们用EfficientDet论文中的一张图来进行说明。

可见,随着人们追求检测器在COCO数据集上的MAP指标,Neck部分也是出了很多花里胡哨的结构呀。

本文中的YOLO V4就是用到了SPP(Spatial pyramid pooling)+PAN(Path Aggregation Network,上图的结构b)。

这里我们根据总图上的process1-6,对SSP+PAN部分进行解析。

(1) 其中process1的代码实现为:

    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(darknet.output)    y19 = DarknetConv2D_BN_Leaky(1024, (3,3))(y19)    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)    maxpool1 = MaxPooling2D(pool_size=(13,13), strides=(1,1), padding='same')(y19) #(19,19)    maxpool2 = MaxPooling2D(pool_size=(9,9), strides=(1,1), padding='same')(y19) #(19,19)    maxpool3 = MaxPooling2D(pool_size=(5,5), strides=(1,1), padding='same')(y19) #(19,19)    y19 = Concatenate()([maxpool1, maxpool2, maxpool3, y19])    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)    y19 = DarknetConv2D_BN_Leaky(1024, (3,3))(y19)    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)

显而易见,该进程接受CSPDarknet53最终的输出,返回变量y19(如总图上process1所示),这里我们也给出图示,如下:

Process1

(2) process2 代码如下

    y19_upsample = compose(DarknetConv2D_BN_Leaky(256, (1,1)), UpSampling2D(2))(y19)    #38x38 head    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(darknet.layers[204].output)    y38 = Concatenate()([y38, y19_upsample])    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)    y38 = DarknetConv2D_BN_Leaky(512, (3,3))(y38)    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)    y38 = DarknetConv2D_BN_Leaky(512, (3,3))(y38)    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)

即先将上述的y19进行上采样大小38x38,然后再和CSPDarknet53的204层输出进行堆叠,最后通过一系列DarknetConv2D_BN_Leaky模块,获得变量y38。

(3) process3的代码如下,类似于process2

    y38_upsample = compose(DarknetConv2D_BN_Leaky(128, (1,1)), UpSampling2D(2))(y38)    #76x76 head    y76 = DarknetConv2D_BN_Leaky(128, (1,1))(darknet.layers[131].output)    y76 = Concatenate()([y76, y38_upsample])    y76 = DarknetConv2D_BN_Leaky(128, (1,1))(y76)    y76 = DarknetConv2D_BN_Leaky(256, (3,3))(y76)    y76 = DarknetConv2D_BN_Leaky(128, (1,1))(y76)    y76 = DarknetConv2D_BN_Leaky(256, (3,3))(y76)    y76 = DarknetConv2D_BN_Leaky(128, (1,1))(y76)

(4) process4的代码如下

    
#76x76 output    y76_output = DarknetConv2D_BN_Leaky(256, (3,3))(y76)    y76_output = DarknetConv2D(num_anchors*(num_classes+5), (1,1))(y76_output)
这个比较简单,直接通过一个DarknetConv2D_BN_Leaky,然后使用1x1卷积输出最大的一张特征图y76_output,维度为**(76,76,num_anchor*(num_classes+5))**。

(5) process5的代码如下:

#38x38 output    y76_downsample = ZeroPadding2D(((1,0),(1,0)))(y76)    y76_downsample = DarknetConv2D_BN_Leaky(256, (3,3), strides=(2,2))(y76_downsample)    y38 = Concatenate()([y76_downsample, y38])    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)    y38 = DarknetConv2D_BN_Leaky(512, (3,3))(y38)    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)    y38 = DarknetConv2D_BN_Leaky(512, (3,3))(y38)    y38 = DarknetConv2D_BN_Leaky(256, (1,1))(y38)    y38_output = DarknetConv2D_BN_Leaky(512, (3,3))(y38)    y38_output = DarknetConv2D(num_anchors*(num_classes+5), (1,1))(y38_output)

这一步骤比较关键,PAN和FPN的差异在于,FPN自顶向下的特征融合,PANFPN基础上,多了个自底向上的特征融合。具体自底向上的特征融合,就是process5完成的,可以看到该步骤先将y76下采样至38x38大小,再和y38堆叠,然后进行一系列卷积运算获得维度大小为**(38,38,num_anchor*(num_classes+5))的输出y38_output**,如下图所示。

Process5

(6) Process6代码如下

#19x19 output    y38_downsample = ZeroPadding2D(((1,0),(1,0)))(y38)    y38_downsample = DarknetConv2D_BN_Leaky(512, (3,3), strides=(2,2))(y38_downsample)    y19 = Concatenate()([y38_downsample, y19])    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)    y19 = DarknetConv2D_BN_Leaky(1024, (3,3))(y19)    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)    y19 = DarknetConv2D_BN_Leaky(1024, (3,3))(y19)    y19 = DarknetConv2D_BN_Leaky(512, (1,1))(y19)    y19_output = DarknetConv2D_BN_Leaky(1024, (3,3))(y19)    y19_output = DarknetConv2D(num_anchors*(num_classes+5), (1,1))(y19_output)

Process6和process5进程类似,不多赘述,输出为(19,19,num_anchor*(num_classes+5))的特征图y19_output。

3.结束语

上述有关YOLO V4的网络结构就讲到这里,我看了下,篇幅又有点长了,那关于损失函数和更多tricks实现的细节,我就放到后面再讲了,感谢大家支持!


你可能感兴趣的:(计算机视觉,人工智能,编程语言,算法,机器学习)