YOLOv1~7之Backbone

上次已经说了一遍v1-v7 这次是Backbone的全系列 , 还是用yolo还不是太熟那种啊~~ 

【一】YOLO系列中Backbone结构的特点

YOLO系列中的Backbone结构主要作为网络的一个核心特征提取器,随着时代的变迁不断发展。某种程度上,YOLO系列的各个Backbone代表着当时的高价值模型与AI行业的发展记忆,计算机视觉江湖上,曾出现的那些“算法兵器”,它们确实来过。Backbone与输入侧一样,是通用性非常强的一个部分,具备很强的向目标检测其他模型,图像分类,图像分割,目标跟踪等方向迁移应用的价值。从业务向,竞赛向,研究向等角度观察,Backbone结构也能在这些方面比较好的融入,从容。

【二】YOLOv1 Backbone解析

YOLOv1的Backbone有着朴素的逻辑,主要受启发于GoogLeNet的结构。

YOLOv1~7之Backbone_第1张图片

YOLOv1的backbone结构中使用了Leaky ReLu激活函数,但并没有引入BN层。【Rocky的延伸思考】

  1. YOLOv1 Backbone逻辑在整个YOLO系列中已不具备竞争力,但是可以作为业务向,竞赛向的入场Baseline,快速搭建,快速试错。

【三】YOLOv2 Backbone解析

YOLOv2的Backbone在YOLOv1的基础上设计了Darknet-19网络,并引入了BN层优化模型整体性能

YOLOv1~7之Backbone_第2张图片 

Darknet-19网络包含19个卷积层和5个max pooling层,整体计算量比YOLOv1中采用的GooleNet更少,最后用average pooling层代替全连接层进行Inference。在YOLOv2的Backbone中加入BN层之后,使得mAP提升了2%,而BN层也成为了YOLO后续系列的标配。【Rocky的延伸思考】

  1. 业务向:YOLOv2 Backbone结构完全可以应用于业务baseline模型。

【四】YOLOv3 Backbone解析

YOLOv3的Backbone在YOLOv2的基础上设计了Darknet-53结构

YOLOv1~7之Backbone_第3张图片

YOLOv3将YOLOv2的Darknet-19加深了网络层数,并引入了ResNet的残差思想,也正是残差思想让YOLOv3将Backbone深度大幅扩展至Darknet-53。YOLOv3优化了下采样方式(无池化层结构),采用卷积层来实现,而YOLOv2中采用池化层实现。【Rocky的延伸思考】

  1. YOLOv3的Backbone无论是在业务向,竞赛向还是研究向,都可以作为入场Baseline。

【五】YOLOv4 Backbone解析

YOLOv4的Backbone在YOLOv3的基础上,受CSPNet网络结构启发,将多个CSP子模块进行组合设计成为CSPDarknet53,并且使用了Mish激活函数

YOLOv1~7之Backbone_第4张图片

CSPDarknet53总共有72层卷积层,遵循YOLO系列一贯的风格,这些卷积层都是大小,步长为2的设置,能起到特征提取与逐步下采样的作用。CSP子模块主要解决了由于梯度信息重复导致的计算量庞大的问题。CSP模块不仅仅是一个子结构,更是一个处理思想,可以和ResNet、ResNext、DenseNet、EfficientNet等网络结合使用。 

YOLOv1~7之Backbone_第5张图片

上图左侧是DenseNet的结构,它进行反向传播时会有大量的重复计算,而右侧的图是CSP模块结构,它将基础层的特征图分成两部分,一部分直接与该阶段的末尾concat相连,另一部分经过局部Dense模块,从而既能保留Dense模块的特征复用,又能截断梯度流,避免大量的重复计算,同时可以保证准确率。总的来说,CSP模块解决了三个方面的问题:

  1. 提升模型的学习能力,同时使模型轻量化。

  2. 降低计算瓶颈,提高硬件利用率。

  3. 降低模型的内存占用。

CSP模块逻辑也可以迁移到其他Backbone网络,例如优化ResNet以提升性能:

YOLOv1~7之Backbone_第6张图片 

CSPNet论文地址:CSPNet[1]YOLOv4论文中通过消融实验发现使用Mish激活函数会提升性能,于是在Backbone中将其使用。(注:除Backbone以外的网络结构依旧使用LeakyReLU激活函数) 

 YOLOv1~7之Backbone_第7张图片

Mish激活函数的示意图如下,其有三个主要特征:

  1. 无上界有下界。Mish向上无边界避免了由于封顶而导致的梯度饱和,加快训练过程。向下有边界有助于实现强正则化效果。

  2. 非单调函数。允许其在负半轴有稳定的微小负值,从而使梯度流更稳定。与ReLU负半轴的硬零边界相比,其梯度更平滑。

  3. 无穷连续性与光滑性。具有较好的泛化能力,提高训练结果的质量。

YOLOv1~7之Backbone_第8张图片  

Mish激活函数的表达式: 

Mish激活函数论文地址:Mish激活函数[2]

【Rocky的延伸思考】

  1. 业务向:YOLOv4 Backbone中使用的CSP思想可以方便地与业务场景相结合。

  2. 竞赛向:YOLOv4 Backbone中提到的CSP结构和Mish激活函数在竞赛中是比较有效的Tricks。                       whaosoft aiot http://143ai.com  

  3. 研究向:YOLOv4 Backbone具备作为研究Baseline的价值。

【六】YOLOv5 Backbone解析

YOLOv5的Backbone同样使用了YOLOv4中使用的CSP思想

YOLOv1~7之Backbone_第9张图片 

YOLOv1~7之Backbone_第10张图片 

【Rocky的延伸思考】

  1. YOLOv5 Backbone的易用性使得其不管在业务向,竞赛向还是研究向都非常友好。

【七】YOLOx Backbone解析

YOLOx的Backbone沿用了YOLOv3的Backbone结构,故在此不在展开介绍。

YOLOv1~7之Backbone_第11张图片 

【八】YOLOv6 Backbone解析

YOLOv6的Backbone侧在YOLOv5的基础上,设计了EfficientRep Backbone结构

YOLOv1~7之Backbone_第12张图片

和YOLOv5的Backbone相比,YOLOv6的Backbone不但能够高效利用硬件算力,而且还具有较强的表征能力。YOLOv6的Backbone中将普通卷积都替换成了RepConv结构。同时,在RepConv基础上设计了RepBlock结构,其中RepBlock中的第一个RepConv会做channel维度的变换和对齐。另外,YOLOv6将SPPF优化设计为更加高效的SimSPPF,增加特征重用的效率。

YOLOv1~7之Backbone_第13张图片 

【Rocky的延伸思考】

  1. 业务向:YOLOv6 Backbone可以高效用于业务向的部署端。

  2. 竞赛向:YOLOv6 Backbone可以用于竞赛向的Baseline尝试。

  3. 研究向:YOLOv6 Backbone可以用于研究向的消融实验。

【九】YOLOv7 Backbone解析

YOLOv7的Backbone侧在YOLOv5的基础上,设计了E-ELAN和MPConv结构

YOLOv1~7之Backbone_第14张图片 

E-ELAN结构已经在本系列的Neck篇中详细介绍,本文就不再展开。MPConv结构由常规卷积与maxpool双路径组成,增加模型对特征的提取融合能力。不管是E-ELAN还是MPConv结构,都将特征重用逻辑演绎到了比较高的水准,让人眼前一亮。

【Rocky的延伸思考】

  1. 业务向:YOLOv7 Backbone可以作为业务向的Baseline使用。

  2. 竞赛向:YOLOv7 Backbone可以用于竞赛向的入场Baseline。

  3. 研究向:YOLOv7 Backbone可以用于研究向的入场研究Baseline。

完事了 

 

你可能感兴趣的:(人工智能,深度学习,目标检测,人工智能)