YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记

YOLOX: Exceeding YOLO Series in 2021 论文阅读笔记

这是一篇由旷视科技提出的2021超越YOLO系列的论文:YOLOX

出处：CVPR 2021

摘要

文章介绍了 YOLO 系列的一些经验改进，形成了一个新的高性能探测器——YOLOX：

1. anchor-free（无anchor）
2. decoupled head（解耦头）
3. label assignment strategy SimOTA（标签分配策略，基于作者的另一篇论文：Zheng Ge, Songtao Liu, Zeming Li, Osamu Yoshie, and Jian Sun. Ota: Optimal transport assignment for object detection.In CVPR, 2021.）

速度、参数量和检测效果：

1. YOLOX-Tiny和YOLOX-Nano(只有0.91M参数量和1.08G FLOPs)比对应的YOLOv4-Tiny和NanoDet3分别高出10% AP和1.8% AP；
2. 将工业界常用的YOLOV3在COCO上的AP提升至 47.3%，表现优于将当前最佳，提高了 3.0% AP；
3. YOLOX-L和YOLOv4-CSP、YOLOv5-L有差不多参数量的情况下，YOLOX-L在COCO上取得50.0%AP（比YOLOv5-L高出1.8%的AP），且YOLOX-L在单张Tesla V100上能达到68.9FPS。

一、介绍

随着目标检测的发展，YOLO系列方法一直在实时性应用中追求速度和准确性的平衡。例如将anchors应用到YOLOv2中，将Residual Net 应用到YOLOv3中，现在YOLOv5取得了最好的平衡性能，在COCO上以13.7 ms 达到了48.2% AP 。

近两年在目标检测领域的发展主要集中在：

1. anchor-free detectors（如18年的Cornernet，19年的Fcos和Objects as points）
2. label assignment strategies
3. end-to-end(NMS-free) detectors

上述的这些方法并没有整合到YOLO家族中，较新的YOLOV4和V5仍然是基于anchor的检测器和手工分配的训练规则。 所以，作者有了这篇文章的想法，并以YOLOV3为baseline开展改进。

二、YOLOX

2.1 Implementation details

Epoch：300 epochs with 5 epochs warmup
数据集：COCO train2017
weight decay ：0.0005
SGD momentum ：0.9.SGD
learning rate = lr×BatchSize/64 ，initial lr =0.01，cosine lr schedule（余弦退火调整学习率）

2.2 YOLOv3 baseline

DarkNet53 backbone + SPP layer
EMA weights updating （指数移动平均，对模型的参数做平均，以求提高测试指标并增加模型鲁棒性）
cosine lr schedule （余弦退火调整学习率）
IoU loss and IoU-aware branch
cls和obj使用BCE loss，位置回归使用IoU loss
数据增强：mosaic、RandomHorizontalFlip、ColorJitter和多尺度。（作者发现RandomResizedCrop和mosaic有冲突，所以丢弃了RandomResizedCrop）

2.3 Decoupled head

1. 耦合检测头会损失性能：
   
2. 解耦头对于 YOLO 的端到端版本至关重要：
   

2.4 Strong data augmentation

数据增强方面作者采用了：

1. Mosaic
   （由ultralytics-YOLOv3提出https://github.com/ultralytics/yolov3）
2. MixUp
   （出自：Bag of freebies for training object detection neural networks，这篇论文也很不错）

并在最后15个epoch结束这种增强，达到了42%的AP。同时，作者发现在使用了强数据增强后，使用ImageNet的预训练并没有更多的好处，所以训练所有的模型都是从头开始。

2.5 Anchor-free

YOLOV3~V5都是基于Anchor的，但是anchor机制存在一些显而易见的问题：

1. 为了达到最优的检测性能，需要在训练前进行聚类分析，确定一组最优的锚点。那些聚集的锚点是特定领域的，不具一般性；
2. anchor机制增加了检测头的复杂性，以及每幅图像的预测数量。

近年来，基于Anchor-free的检测器性能已经可以和anchor-based的检测器性能相当。将YOLO切换为Anchor-free的方式非常简单，将每个位置的预测从3个减少到1个，让它们直接预测4个值，即网格左上角的两个偏移量，以及预测框的高度和宽度，性能提升了0.9AP%。

2.6 Multi positives

为了与YOLOv3的赋值规则一致，上述的Anchor-free版本对每个对象只选择一个正样本(中心位置)，同时忽略其他高质量的预测。然而，优化这些高质量的预测也可能带来有益的梯度，这可能会缓解训练中正/负样本的极端不平衡。文章简单地将中心点3×3区域指定为正样本，在FCOS中也称为“中心抽样”。该检测器的AP性能提高到45.0%，已经超过了目前的ultralytic - yolov3最佳(44.3% AP)。

2.7 SimOTA

高级标签分配是近年来目标检测的又一重要进展。基于作者自己的OTA研究，总结出了关于高级标签分配的四个关键:

1. loss/quality aware
2. center prior
3. 每个ground-truth的positive anchors的动态数量
4. 全局视图

OTA满足上述四个规则，因此我们选择它作为候选标签分配策略。具体来说，OTA从全局角度分析标签分配，并将分配过程表述为最优运输(OT)问题，在当前分配策略中达到了SOTA。但是在实践中发现，通过Sinkhorn-Knopp算法解决OT问题会带来25%的额外训练时间，对于训练300个epoch来说是相当昂贵的。因此将其简化为动态top-k策略，命名为SimOTA，以得到近似解。

什么是SimOTA？
SimOTA首先计算成对匹配度，表示为每个 prediction-gt对的成本或质量。例如，在SimOTA中，gt和prediction之间的成本计算如下:

其中λ为平衡系数，在gt和prediction之间存在分类损失和回归损失。对于gt，我们选择在固定中心区域内代价最小的top k预测作为正样本。最后，将这些正预测对应的栅格赋为正，其余栅格赋为负。

SimOTA算法不仅减少了训练时间，而且避免了SinkhornKnopp算法中额外的求解器超参数。同时，SimOTA将检测器AP从45.0%提高到47.3%，比SOTA ultralytic - yolov3提高了3.0% AP，显示了高级分配策略的威力。

2.8 End-to-end YOLO

添加两个额外的卷积层，一对一标签分配和停止梯度，这使得检测器能够以端到端方式执行，但略微降低了性能和推断速度。因此，将它作为一个可选模块，不涉及最终模型。

三、other backbone

3.1 Modified CSPNet in YOLOv5

3.2 Tiny and Nano detectors

3.3 data augmentation

对于大的模型，发现更强的数据增强更有帮助。受Copypaste的启发，在混合它们之前通过随机采样比例因子对两个图像进行抖动。为了理解Mixup与scale jittering的效果，我们将其与YOLOX-L上的Copypaste进行比较。注意，Copypaste需要额外的实例掩码注释，而MixUp则不需要。但如表5所示，这两种方法取得了相当的性能，这表明当没有实例掩码注释可用时，具有规模抖动的MixUp是copypastequalified的替代品。

四、Comparison with the SOTA

五、总结

整篇文章介绍了YOLO系列一些有经验性的更新，形成了一个高性能的检测器YOLOX，并配备了一些最新的先进检测技术，即解耦头、无锚和高级标签分配策略，YOLOX在速度和精度之间实现了比其他所有模型尺寸更好的权衡。