【目标检测】yoloV5算法详解

一、与yoloV4相比，yoloV5的改进

1. 输入端：在模型训练阶段，使用了Mosaic数据增强、自适应锚框计算、自适应图片缩放
2. 基准网络：使用了FOCUS结构和CSP结构
3. Neck网络：在Backbone和最后的Head输出层之间插入FPN_PAN结构
4. Head输出层：训练时的损失函数GIOU_Loss，预测筛选框的DIOU_nns

二、yoloV5结构框架

CBL：CBL模块是由Conv+BN+Leaky_relu激活函数组成
Res unit：借鉴ResNet中的残差结构，用来构建深层网络，CBM是残差模块中的子模块
CSP1_X：借鉴CSPNet网络结构，由CBL,Res unit，卷积层，Concate组成
CSP2_X：借鉴CSPNet网络结构，由卷积层积X个Res unit模块Concate组成
FOCUS：将多个slice结果Concate起来，将其送入CBL模块中
SPP：采用1x1,5x5,9x9和13x13的最大池化方式，进行多尺度融合

三、Mosaic数据增强

CutMix：将2张图进行拼接
Mosaic：在CutMix基础上进行改进，采用4张图片，按照随机缩放，随机裁剪和随机排布的方式进行拼接
优点：将几张图组合成一张图，不仅可以丰富数据集，极大的提升网络训练速度，降低模型内存

四、自适应锚框计算（可选）

在yolo系列算法中，针对不同的数据集，都需要设定特定长宽的锚点框。在网络训练阶段，模型在初始阶段，模型在初始锚点框的基础上输出对应的预测框，计算其与GT框之间的差距，并执行反向更新操作，从而更新整个网络的参数，因此设定初始锚点框是比较关键的一环。
在yoloV3和yoloV4中，训练不同的数据集，都是通过单独的程序运行来获得初始锚点框。而在yoloV5中将此功能嵌入到代码中，每次训练，根据数据集的名称自适应的计算出最佳的锚点框，用户可以根据自己的需求将功能关闭或者打开，指令为：

parser.add_argument("-nuautoanchor", action='store_true', help='disable autoancher check') # 如果需要打开，只需要在训练代码时增加'-nuautoanchor'选项即可

五、自适应图片放缩

yolo中常用图片尺寸：416x416， 608x608
存在问题：实际图片长宽比例不同，放缩填充后可能填充过多造成冗余
在yoloV5中，设原图长x宽=800x600，放缩过程如下：
计算黑边填充数值：

• 计算需要填充黑边宽度：104
• yoloV5执行5次下采样：2^5=32,对该数值取模：104%32=8
• 将填充区域分散到两边：8/2=4

六、FOCUS结构

FOCUS模块在yoloV5中是在图片进入backbone前，对图片进行切片操作，具体操作是在一张图片中每隔一个像素拿到一个值，类似于邻近下采样，这样就拿到了4张图片，四张图片互补，长的差不多，但是没有信息丢失，这样使得W,H信息就集中到了通道空间，输入通道扩充了4倍，即拼接起来的图片相对于原先的RGB三通道模式变成了12个通道，最后将得到的新图片再经过卷积操作，最终得到了没有信息丢失情况下的二倍下采样特征图。
以yoloV5为例，原始的640x640x3的图像输入FOCUS结构，采用切片操作，先变成320x320x12的特征图，再经过一次卷积操作，最终变成320x320x32的特征图。

七、CSP结构

yoloV4中，借鉴了CSPNet的设计思路，尽在主干网络中设计了CSP结构。
yoloV5设计了两种CSP结构，以yoloV5为例：

• CSP1_X结构应用于Backbone主干网络中
• CSP2_X结构应用于Neck网络中
  CSP结构介绍：
  CSPNet和PRN都是一个思想，将feature map拆成两个部分，一部分进行卷积操作，另一部分和上一部分卷积操作的结果进行concate。
  从实验结果来看，分类问题中，使用CSPNet可以降低计算量，但是准确率提升很小；在目标检测问题中，使用CSPNet作为Backbone带来的提升比较大，可以有效增强CNN的学习能力，同时也降低了计算量。
  以下是将CSPNet融入ResNet的结构图：
  

八、采用FPN+PAN结构

yoloV5的Neck仍采用了FPN+PAN结构，但是在它的基础上做了一些改进操作，yoloV4的Neck结构中，采用的都是普通的卷积操作，而yoloV5的Neck中，采用CSPNet设计的CSP2结构，从而加强了网络特征融合能力。以下是yoloV4和yoloV5的Neck网络的具体细节：
通过比较可以发现：

• 灰色区域，yoloV5不仅利用CSP结构代替部分CBL模块，而且去掉了下方的CBL模块
• 绿色区域，yoloV5不仅将Concate操作之后的CBL模块更换为CSP模块，而且更换了另一个CBL模块的位置
• 蓝色区域，yoloV5中将原始的CBL模块更换为CSP模块

九、采用GIoU_Loss做Bounding box的损失函数

目标检测任务的损失函数一般由分类损失函数和回归损失函数构成，回归损失函数的发展过程主要包括：最原始的Smooth L1 Loss函数、2016年提出的IoU Loss、2019年提出的GIoU Loss、2020年提出的DIoU Loss和最新的CIoU Loss函数。

1. IoU Loss：即预测框与GT框之间的交集/预测框与GT框之间的并集。这种损失存在一些问题：
   （1）如状态1所示，当预测框和GT框不相交时，即IoU=0,此时无法反映两个框之间的距离，此时该损失函数不可导，即IoU Loss无法优化两个框不相交的情况。（2）如状态2和状态3所示，当两个预测框大小相同时，那么这两个IoU也相同，IoU Loss无法区分两者相交这种情况。
   

2. GIoU Loss：为了解决以上的问题，GIoU损失应运而生，GIoU Loss中增加了相交尺度的衡量方式，缓解了单纯IoU Loss时存在的一些问题。
   但是这种方法并不能完全解决这种问题，仍然存在着其他的问题。具体的问题如下所示，状态1、2、3都是预测框在GT框内部且预测框大小一致的情况，这时预测框和GT框的差集都是相同的，因此这三种状态的GIoU值也都是相同的，这时GIoU退化成了IoU，无法区分相对位置关系。

3. DIoU Loss：针对IoU和GIoU损失所存在的问题，DIoU为了解决如何最小化预测框和GT框之间的归一化距离这个问题，DIoU Loss考虑了预测框与GT框的重叠面积和中心点距离，当GT框包裹预测框的时候，直接度量2个框的距离，因此DIoU Loss的收敛速度更快一些。
   如下图所示，当GT框包裹预测框时，此时预测框的中心点的位置都是一样的，因此按照DIoU Loss的计算公式，三者的值都是相同的。为了解决这个问题，CIoU Loss产生了。
   

4. CIoU Loss：在DIoU Loss的基础上增加了一个影响因子，将预测框和GT框的长宽也考虑进来。计算方法如下：将GT框的重叠面积、中心点距离和长宽比全部考虑进来。