YoloV3改进和优化

YoloV3 的改进和优化

本文主要是参考YoloV4 和 pp-Yolo 来谈一下自己的感受，如有不正确地方欢迎各位指正。
PP- YOLO:https://blog.csdn.net/weixin_44936889/article/details/107560168

1.数据增强

可以采用Mosaic的方法，Mosaic是将四张图片按照一定比例拼接成一张图片，这样可以使模型可以在更小的范围内识别对象，并且，大的Batch Size会使模型的训练效果更好，Mosaic增加了模型的Batch Size的大小，理论上是原来的4倍。

采用GridMask，在原图中生成一些黑色的网格，将图像区域隐藏在网格中，可以让模型学习对象的整个组成部分。
2. 正则化

可以采用DropBlock的方法，DropBlock是Dropout的一种形式，Dropout仅仅只能用在全连接层中，在卷积层中，由于步长一般为1或2，会用重叠部分所以无法使用，因此提出DropBlock结构，直接将feature map相邻区域中的单元格一起删除，从而达到正则化的效果。注意：在PP-Yolo中DropBlock在检测头中使用，没有在主干网络中使用，在主干网络中使用会导致模型的检测效果降低。

3.Loss

Yolo使用的是最简单的L1 loss，但是L1 loss对于大物体和小物体产生的loss值并没有明显的区分，虽然使用了开根号来缓解这种趋势，但是总的来说，大小物体区分不好，因此引入的Iou loss，Iou loss 一共包括有Iou loss, Giou loss, Diou loss, Ciou loss。看了一些前辈的经验，原理上Ciou loss 会产生更好的效果，但是在实际训练过程中，往往采用Iou loss 或者 Giou loss，训练出的最后结果差距不大，但是后两张loss会产生更大的计算量。

在PP-yolo中，作者并没有直接对L1 loss进行替换，而是对Iou loss 产生了一个新的分支，并使用了IOU Aware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。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。

4.Warm up训练策略

因为如果一开始就使用大的LR，会使模型不稳定（震荡），因此刚开始先采用小的LR进行训练，慢慢增大，等模型适应后，在从大的学习率变小，这样会使模型训练的效果更好。

5.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。

6.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。

7.SPP

可以在FPN中引入SSP，并采用max-pooling 操作将k x k最大池化输出连接起来应用SPP模块，其中k = 1,5,9,13, stride = 1。从而使模型来适应不同尺度的物体。