【YOLOX】核心基础完整讲解

1 Yolox相关基础知识点

1.1 Yolox的论文及代码

Yolox论文名:《YOLOX: Exceeding YOLO Series in 2021》

Yolox论文地址:https://arxiv.org/abs/2107.08430

Yolox代码地址:https://github.com/Megvii-BaseDetection/YOLOX

1.2 Yolox各版本网络结构图

想学习一个算法,最好从直观图示的角度,进行了解。

如果纯粹从代码上进行查看,很可能会一头雾水。

而且Yolox的各种网络结构也很多,比如下面的各个网络结构权重文件。

【YOLOX】核心基础完整讲解_第1张图片

因此可以采用,将各个模型文件转换成onnx格式,再用netron工具打开的方式,对网络结构进行可视化学习。

【YOLOX】核心基础完整讲解_第2张图片

1.2.1 Netron工具

如果有同学对netron工具还不是很熟悉,这里还是放上netron工具安装的详细流程。

可以移步大白的另一篇文章:《网络可视化工具netron详细安装流程》

1.2.2 各个Yolox的onnx文件

各个onnx文件,可以采用代码中的,tools/export_onnx.py脚本,进行转换。

此外,官方代码中的这个版块,已经转换好了各个版本的onnx,也可以直接下载使用。

【YOLOX】核心基础完整讲解_第3张图片 

1.2.3 各个Yolox网络结构图

不过考虑到,有些同学可能不方便,使用netron查看。

因此,大白也上传了使用netron打开的,每个网络结构图的图片,也可以直接点击查看。

(1)Yolox-Nano

Yolox-Nano是Yolox系列最小的结构,网络参数只有0.91M。

此处放上netron打开的,Yolox-Nano网络结构可视图,点击即可查看。

(2)Yolox-Tiny

此处放上Yolox-Tiny网络结构可视图,点击即可查看。

(3)Yolox-Darknet53

Yolox-Darknet53是在Yolov3的基础上,进行的改进,也是后面主要介绍的网络结构。

此处放上Yolox-Darknet53网络结构可视图,点击即可查看。

(4)Yolox-s

Yolox-s是在Yolov5-s的基础上,进行的改进,也是后面主要介绍的网络结构。

此处放上Yolox-s网络结构可视图,点击即可查看。

(5)Yolox-m

此处放上Yolox-m网络结构可视图,点击即可查看。

(6)Yolox-l

此处放上Yolox-l网络结构可视图,点击即可查看。

(7)Yolox-x

此处放上Yolox-x网络结构可视图,点击即可查看。

2 Yolox核心知识点

2.1 Yolov3&Yolov4&Yolov5网络结构图

在学习Yolox之前,我们先了解一下Yolov3、Yolov4、Yolov5的网络结构图,而后面的Yolox网络,都是在此基础上延伸而来的。

① Yolov3网络结构图

【YOLOX】核心基础完整讲解_第4张图片

Yolov3是在2018年提出,也是工业界使用非常广泛的目标检测算法。

不过在Yolox系列中的,Yolox-Darknet53模型,采用的Baseline基准网络,采用的并不是Yolov3版本,而是改进后的Yolov3_spp版本。

而Yolov3和Yolov3_spp的不同点在于,Yolov3的主干网络后面,添加了spp组件,这里需要注意。

② Yolov4网络结构图

【YOLOX】核心基础完整讲解_第5张图片

上图是DarknetAB大神,在2020年提出的Yolov4算法。

在此算法中,网络的很多地方,都进行了改进。

比如输入端:采用Mosaic数据增强;

Backbone:采用了CSPDarknet53、Mish激活函数、Dropblock等方式;

Neck:采用了SPP(按照DarknetAB的设定)、FPN+PAN结构;

输出端:采用CIOU_Loss、DIOU_Nms操作。

因此可以看出,Yolov4对Yolov3的各个部分,都进行了很多的整合创新。

关于Yolov4,如果有不清楚的,可以参照大白之前写的《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》,写的比较详细。

③ Yolov5网络结构图

【YOLOX】核心基础完整讲解_第6张图片 

而在Yolov5网络中,和Yolov4不同,最大的创新点在于,作者将网络结构,做成了可选择配置的方式。

比如主干网络结构,根据各个网络的宽度、高度不同,可以分为Yolov5s、Yolov5l、Yolov5s、Yolo5x等版本。

这种转变,在目标检测领域,引领了一股网络拆分的热潮。

本文的Yolox算法,也从这个角度出发,将Yolox模型,变为多种可选配的网络,比如标准网络结构和轻量级网络结构。

(1)标准网络结构:Yolox-s、Yolox-m、Yolox-l、Yolox-x、Yolox-Darknet53。

(2)轻量级网络结构:Yolox-Nano、Yolox-Tiny。

在实际的项目中,大家可以根据不同项目需求,进行挑选使用。

2.2 Yolox基础知识点

从上面的描述中,我们可以知道Yolox整体的改进思路

(1)基准模型:Yolov3_spp

选择Yolov3_spp结构,并添加一些常用的改进方式,作为Yolov3 baseline基准模型;

(2)Yolox-Darknet53

对Yolov3 baseline基准模型,添加各种trick,比如Decoupled Head、SimOTA等,得到Yolox-Darknet53版本;

(3)Yolox-s、Yolox-m、Yolox-l、Yolox-x系列

对Yolov5的四个版本,采用这些有效的trick,逐一进行改进,得到Yolox-s、Yolox-m、Yolox-l、Yolox-x四个版本;

(4)轻量级网络

设计了Yolox-Nano、Yolox-Tiny轻量级网络,并测试了一些trick的适用性;

总体来说,论文中做了很多的工作,下面和大家一起,从以上的角度,对Yolox算法的网络结构,以及各个创新点进行讲解。

2.2.1 基准模型:Yolov3_spp

在设计算法时,为了对比改进trick的好坏,常常需要选择基准的模型算法

而在选择Yolox的基准模型时,作者考虑到:

Yolov4和Yolov5系列,从基于锚框的算法角度来说,可能有一些过度优化,因此最终选择了Yolov3系列。

不过也并没有直接选择Yolov3系列中,标准的Yolov3算法,而是选择添加了spp组件,进而性能更优的Yolov3_spp版本。

以下是论文中的解释:

Considering YOLOv4 and YOLOv5 may be a little over-optimized for the anchor-based pipeline, we choose YOLOv3 [25] as our start point (we set YOLOv3-SPP as the default YOLOv3)。

为了便于大家理解,大白在前面Yolov3结构图的基础上,添加上spp组件,变为下图所示的Yolov3_spp网络

【YOLOX】核心基础完整讲解_第7张图片

大家可以看到,主干网络Backbone后面,增加了一个SPP组件。

当然在此基础上,对网络训练过程中的很多地方,都进行了改进,比如:

(1)添加了EMA权值更新、Cosine学习率机制等训练技巧

(2)使用IOU损失函数训练reg分支,BCE损失函数训练cls与obj分支

(3)添加了RandomHorizontalFlip、ColorJitter以及多尺度数据增广,移除了RandomResizedCrop。

在此基础上,Yolov3_spp的AP值达到38.5,即下图中的Yolov3 baseline。

【YOLOX】核心基础完整讲解_第8张图片

不过在对上图研究时,有一点点小疑惑:

YOLOv3_ultralytics的AP值为44.3,论文中引用时,说是目前Yolov3_spp算法中,精度最好的版本。(the current best practice of YOLOv3)。

接着对此代码进行查看,发现正如论文中所说,增加了很多trick的Yolov3_spp版本,AP值为44.3

【YOLOX】核心基础完整讲解_第9张图片

而Yolox的基准模型,是最原始的Yolov3_spp版本,经过一系列的改进后,AP值达到38.5

在此基础上,又增加了Strong augmentation、Decoupled head、anchor-free、multi positives、SimOTA,等5种trick,最终达到了AP47.3。

但存在疑惑的是?

如果直接采用YOLOv3_ultralytics的Yolov3_spp版本,再增加上面的4种trick(除掉strong augmentation,因为代码中已经改进了),是否会有更好的AP提升?

2.2.2 Yolox-Darknet53

我们在前面知道,当得到Yolov3 baseline后,作者又添加了一系列的trick,最终改进为Yolox-Darknet53网络结构。

【YOLOX】核心基础完整讲解_第10张图片

上图即是Yolox-Darknet53网络结构图。

为了便于分析改进点,我们对Yolox-Darknet53网络结构进行拆分,变为四个板块:

输入端:Strong augmentation数据增强

BackBone主干网络:主干网络没有什么变化,还是Darknet53。

Neck:没有什么变化,Yolov3 baseline的Neck层还是FPN结构。

Prediction:Decoupled Head、End-to-End YOLO、Anchor-free、Multi positives。

在经过一系列的改进后,Yolox-Darknet53最终达到AP47.3的效果。

下面我们对于Yolox-Darknet53的*输入端、Backbone、Neck、Prediction四个部分,进行详解的拆解。

2.2.2.1 输入端

(1) Strong augmentation

【YOLOX】核心基础完整讲解_第11张图片

在网络的输入端,Yolox主要采用了Mosaic、Mixup两种数据增强方法

而采用了这两种数据增强,直接将Yolov3 baseline,提升了2.4个百分点。

① Mosaic数据增强

Mosaic增强的方式,是U版YOLOv3引入的一种非常有效的增强策略。

而且在Yolov4、Yolov5算法中,也得到了广泛的应用。

通过随机缩放、随机裁剪、随机排布的方式进行拼接,对于小目标的检测效果提升,还是很不错的。

【YOLOX】核心基础完整讲解_第12张图片

Mosaic数据增强的内容,在之前《深入浅出Yolo系列之Yolov3&Yolov4核心基础知识完整讲解》文章中写的很详细,详情可以查看之前的内容。

② MixUp数据增强

MixUp是在Mosaic基础上,增加的一种额外的增强策略

主要来源于2017年,顶会ICLR的一篇论文《mixup: Beyond Empirical Risk Minimization》。当时主要应用在图像分类任务中,可以在几乎无额外计算开销的情况下,稳定提升1个百分点的分类精度。

而在Yolox中,则也应用到目标检测中,代码在yolox/datasets/mosaicdetection.py这个文件中。

【YOLOX】核心基础完整讲解_第13张图片

其实方式很简单,比如我们在做人脸检测的任务。

先读取一张图片,图像两侧填充,缩放到640*640大小,即Image_1,人脸检测框为红色框。

再随机选取一张图片,图像上下填充,也缩放到640*640大小,即Image_2,人脸检测框为蓝色框。

然后设置一个融合系数,比如上图中,设置为0.5,将Image_1和Image_2,加权融合,最终得到右面的Image。

从右图可以看出,人脸的红色框和蓝色框是叠加存在的

我们知道,在Mosaic和Mixup的基础上,Yolov3 baseline增加了2.4个百分点

不过有两点需要注意:

(1)在训练的最后15个epoch,这两个数据增强会被关闭掉。

而在此之前,Mosaic和Mixup数据增强,都是打开的,这个细节需要注意。

(2)由于采取了更强的数据增强方式,作者在研究中发现,ImageNet预训练将毫无意义,因此,所有的模型,均是从头开始训练的。

2.2.2.2 Backbone

Yolox-Darknet53的Backbone主干网络,和原本的Yolov3 baseline的主干网络都是一样的。

【YOLOX】核心基础完整讲解_第14张图片

都是采用Darknet53的网络结构,大白在Yolov3的视频中,对于它的来源,结构,各个组件的细节,都有很清晰的讲解,如何有不了解的,可以查看视频《Yolov3相关算法的原理及实现》。

2.2.2.3 Neck

在Neck结构中,Yolox-Darknet53和Yolov3 baseline的Neck结构,也是一样的,都是采用FPN的结构进行融合。

【YOLOX】核心基础完整讲解_第15张图片

如下图所示,FPN自顶向下,将高层的特征信息,通过上采样的方式进行传递融合,得到进行预测的特征图。

【YOLOX】核心基础完整讲解_第16张图片

而在Yolov4、Yolov5、甚至后面讲到的Yolox-s、l等版本中,都是采用FPN+PAN的形式,这里需要注意。

2.2.2.4 Prediction层

在输出层中,主要从四个方面进行讲解:Decoupled Head、Anchor Free、标签分配、Loss计算

【YOLOX】核心基础完整讲解_第17张图片

(1)Decoupled Head

我们先来看一下Decoupled Head,目前在很多一阶段网络中都有类似应用,比如RetinaNet、FCOS等。

而在Yolox中,作者增加了三个Decoupled Head,俗称“解耦头”

大白这里从两个方面对Decoupled Head进行讲解:

① 为什么使用Decoupled Head?

② Decoupled Head的细节?

【YOLOX】核心基础完整讲解_第18张图片

从上图右面的Prediction中,我们可以看到,有三个Decoupled Head分支。

① 为什么使用Decoupled Head?

在了解原理前,我们先了解下改进的原因。为什么将原本的Yolo head,修改为Decoupled Head呢?

我们先看一张论文中的表格:

【YOLOX】核心基础完整讲解_第19张图片

在前面2.2.1 基准网络中,我们知道Yolov3 baseline的AP值为38.5

作者想继续改进,比如输出端改进为End-to-end的方式(即无NMS的形式)。

但意外的发现,改进完之后的AP值只有34.3

而在2020年12月份,旷视科技发表的《End-to-End Object Detection with Fully Convolution Network》中。

在对FCOS改进为无NMS时,在COCO上,达到了与有NMS的FCOS,相当的性能。

那这时就奇怪了,为什么在Yolo上改进,会下降这么多?

在偶然间,作者将End-to-End中的Yolo Head,修改为Decoupled Head的方式。

【YOLOX】核心基础完整讲解_第20张图片

惊喜的发现,End-to-end Yolo的AP值,从34.3增加到38.8

那End-to-end的方式有效果,Yolov3 baseline中是否也有效果呢?

然后作者又将Yolov3 baseline 中Yolo Head,也修改为Decoupled Head。

发现AP值,从38.5,增加到39.6。

当然作者在实验中还发现,不单单是精度上的提高。替换为Decoupled Head后,网络的收敛速度也加快了

因此可以得到一个非常关键的结论:

★ 目前Yolo系列使用的检测头,表达能力可能有所欠缺,没有Decoupled Head的表达能力更好。

这里添加Yolo Head和Decoupled Head的对比曲线:

【YOLOX】核心基础完整讲解_第21张图片

曲线表明:Decoupled Head的收敛速度更快,且精度更高一些。

但是需要注意的是:将检测头解耦,会增加运算的复杂度。

因此作者经过速度和性能上的权衡,最终使用 1个1x1 的卷积先进行降维,并在后面两个分支里,各使用了 2个3x3 卷积,最终调整到仅仅增加一点点的网络参数。

而且这里解耦后,还有一个更深层次的重要性:

Yolox的网络架构,可以和很多算法任务,进行一体化结合。

比如:

(1)YOLOX + Yolact/CondInst/SOLO ,实现端侧的实例分割

(2)YOLOX + 34 层输出,实现端侧人体的 17 个关键点检测

② Decoupled Head的细节?

了解了Decoupled Head的来源,再看一下Decoupled Head的细节。

我们将Yolox-Darknet53中,Decoupled Head①提取出来,经过前面的Neck层,这里Decouple Head①输入的长宽为20*20。

【YOLOX】核心基础完整讲解_第22张图片

从图上可以看出,Concat前总共有三个分支

(1)cls_output:主要对目标框的类别,预测分数。因为COCO数据集总共有80个类别,且主要是N个二分类判断,因此经过Sigmoid激活函数处理后,变为202080大小。

(2)obj_output:主要判断目标框是前景还是背景,因此经过Sigmoid处理好,变为20201大小。

(3)reg_output:主要对目标框的坐标信息(x,y,w,h)进行预测,因此大小为20204。

最后三个output,经过Concat融合到一起,得到20 20 85的特征信息。

当然,这只是Decoupled Head①的信息,再对Decoupled Head②和③进行处理。

Decoupled Head②输出特征信息,并进行Concate,得到40 40 85特征信息。

Decoupled Head③输出特征信息,并进行Concate,得到80 80 85特征信息。

再对①②③三个信息,进行Reshape操作,并进行总体的Concat,得到8400*85的预测信息。

并经过一次Transpose,变为85*8400大小的二维向量信息

这里的8400,指的是预测框的数量,而85是每个预测框的信息(reg,obj,cls)。

有了预测框的信息,下面我们再了解,如何将这些预测框和标注的框,即groundtruth进行关联,从而计算Loss函数,更新网络参数呢?

(2)Anchor-free

这里就要引入Anchor的内容,目前行业内,主要有Anchor Based和Anchor Free两种方式。

在Yolov3、Yolov4、Yolov5中,通常都是采用Anchor Based的方式,来提取目标框,进而和标注的groundtruth进行比对,判断两者的差距。

① Anchor Based方式

比如输入图像,经过Backbone、Neck层,最终将特征信息,传送到输出的Feature Map中。

这时,就要设置一些Anchor规则,将预测框和标注框进行关联

从而在训练中,计算两者的差距,即损失函数,再更新网络参数。

比如在下图的,最后的三个Feature Map上,基于每个单元格,都有三个不同尺寸大小的锚框。

【YOLOX】核心基础完整讲解_第23张图片

这里为了更形象的展示,以大白Yolov3视频中,输入图像大小416*416为例。

【YOLOX】核心基础完整讲解_第24张图片

当输入为416×416时,网络最后的三个特征图大小为13×13,26×26,52×52

我们可以看到,黄色框为小狗的Groundtruth,即标注框。

而蓝色的框,为小狗中心点所在的单元格,所对应的锚框,每个单元格都有3个蓝框。

当采用COCO数据集,即有80个类别时。

基于每个锚框,都有x、y、w、h、obj(前景背景)、class(80个类别),共85个参数。

因此会产生3×(13×13+26×26+52×52)×85=904995个预测结果

如果将输入从416×416,变为640×640,最后的三个特征图大小为20×20,40×40,80×80

则会产生3×(20×20+4040+8080)×85=2142000个预测结果。

② Anchor Free方式

而Yolox-Darknet53中,则采用Anchor Free的方式。

我们从两个方面,来对Anchor Free进行了解。

a.输出的参数量

我们先计算下,当得到包含目标框所有输出信息时,所需要的参数量?

这里需要注意的是:

最后黄色的85*8400,不是类似于Yolov3中的Feature Map,而是特征向量。

【YOLOX】核心基础完整讲解_第25张图片

从图中可知,当输入为640×640时,最终输出得到的特征向量是85×8400

我们看下,和之前Anchor Based方式,预测结果数量相差多少?

通过计算,8400*85=714000个预测结果,比基于Anchor Based的方式,少了2/3的参数量。

b.Anchor框信息

在前面Anchor Based中,我们知道,每个Feature map的单元格,都有3个大小不一的锚框。

那么Yolox-Darknet53就没有吗?

其实并不然,这里只是巧妙的,将前面Backbone中,下采样的大小信息引入进来

【YOLOX】核心基础完整讲解_第26张图片

比如上图中,最上面的分支,下采样了5次,2的5次方为32

并且Decoupled Head①的输出,为20×20×85大小。

【YOLOX】核心基础完整讲解_第27张图片
因此如上图所示:

最后8400个预测框中,其中有400个框,所对应锚框的大小,为32×32

同样的原理,中间的分支,最后有1600个预测框,所对应锚框的大小,为16×16

最下面的分支,最后有6400个预测框,所对应锚框的大小,为8×8

当有了8400个预测框的信息,每张图片也有标注的目标框的信息

这时的锚框,就相当于桥梁

这时需要做的,就是将8400个锚框,和图片上所有的目标框进行关联,挑选出正样本锚框。

而相应的,正样本锚框所对应的位置,就可以将正样本预测框,挑选出来。

这里采用的关联方式,就是标签分配。

(3)标签分配

当有了8400个Anchor锚框后,这里的每一个锚框,都对应85×8400特征向量中的预测框信息。

不过需要知道,这些预测框只有少部分是正样本,绝大多数是负样本

那么到底哪些是正样本呢?

这里需要利用锚框和实际目标框的关系,挑选出一部分适合的正样本锚框

比如第3、10、15个锚框是正样本锚框,则对应到网络输出的8400个预测框中,第3、10、15个预测框,就是相应的正样本预测框。

训练过程中,在锚框的基础上,不断的预测,然后不断的迭代,从而更新网络参数,让网络预测的越来越准。

那么在Yolox中,是如何挑选正样本锚框的呢?

这里就涉及到两个关键点:初步筛选、SimOTA

① 初步筛选

初步筛选的方式主要有两种:根据中心点来判断、根据目标框来判断

这部分的代码,在models/yolo_head.py的get_in_boxes_info函数中。

a. 根据中心点来判断:

规则:寻找anchor_box中心点,落在groundtruth_boxes矩形范围的所有anchors

比如在get_in_boxes_info的代码中,通过groundtruth的[x_center,y_center,w,h],计算出每张图片的每个groundtruth的左上角、右下角坐标。

【YOLOX】核心基础完整讲解_第28张图片

为了大家更容易理解,大白以人脸检测的任务绘制图片:

【YOLOX】核心基础完整讲解_第29张图片

通过上面的公式,可以对左面人脸图片,计算出左上角(gt_l,gt_t),右下角(gt_r,gt_b)。

groundtruth的矩形框范围确定了,再根据范围去选择适合的锚框。

这里再绘制一个锚框的中心点,(x_center,y_center)。

而右面的图片,就是寻找锚框和groundtruth的对应关系。

即计算锚框中心点(x_center,y_center),和人脸标注框左上角(gt_l,gt_t),右下角(gt_r,gt_b)两个角点的相应距离。

比如下面代码图片中的前四行代码:

【YOLOX】核心基础完整讲解_第30张图片

而在第五行,将四个值叠加之后,通过第六行,判断是否都大于0?

就可以将落在groundtruth矩形范围内的所有anchors,都提取出来了。

因为ancor box的中心点,只有落在矩形范围内,这时的b_l,b_r,b_t,b_b都大于0

b.根据目标框来判断:

除了根据锚框中心点,和groundtruth两边距离判断的方式外,作者还设置了根据目标框判断的方法。

规则:以groundtruth中心点为基准,设置边长为5的正方形,挑选在正方形内的所有锚框。

同样在get_in_boxes_info的代码中,通过groundtruth的[x_center,y_center,w,h],绘制了一个边长为5的正方形。

【YOLOX】核心基础完整讲解_第31张图片

为了大家容易理解,大白还是以人脸检测的任务绘制图片:

【YOLOX】核心基础完整讲解_第32张图片

在左面的人脸图片中,基于人脸标注框的中心点,利用上面的公式,绘制了一个边长为5的正方形。左上角点为(gt_l,gt_t),右下角点为(gt_r,gt_b)。

这时groundtruth正方形范围确定了,再根据范围去挑选锚框。

而右面的图片,就是找出所有中心点(x_center,y_center)在正方形内的锚框。

【YOLOX】核心基础完整讲解_第33张图片

在代码图片中的前四行代码,也是计算锚框中心点,和正方形两边的距离。

通过第五行的叠加,再在第六行,判断c_l,c_r,c_t,c_b是否都大于0?

就可以将落在边长为5的正方形范围内,所有的anchors,都提取出来了,因为这时的c_l,c_r,c_t,c_b都大于0。

经过上面两种挑选的方式,就完成初步筛选了,挑选出一部分候选的anchor,进入下一步的精细化筛选。

② 精细化筛选

而在精细化筛选中,就用到论文中提到的SimOTA了:

【YOLOX】核心基础完整讲解_第34张图片

从提升效果上来看,引入SimOTA后,AP值提升了2.3个百分点,还是非常有效的。

而SimOAT方法的提出,主要来源于旷视科技,2021年初CVPR上的一篇论文:《Ota: Optimal transport assignment for object detection》。

我们将SimOTA的前后流程进行拆解,看一下是如何进行精细化筛选的?

整个筛选流程,主要分为四个阶段:

a.初筛正样本信息提取

b.Loss函数计算

c.cost成本计算

d.SimOTA求解

为了便于理解,我们假定图片上有3个目标框,即3个groundtruth

再假定目前在做的项目是对人脸和人体检测,因此检测类别是2

上一节中,我们知道有8400个锚框,但是经过初步筛选后,假定有1000个锚框是正样本锚框

a. 初筛正样本信息提取

初筛出的1000个正样本锚框的位置,我们是知道的。

所有锚框的位置,和网络最后输出的85*8400特征向量是一一对应。

所以根据位置,可以将网络预测的候选检测框位置bboxes_preds、前景背景目标分数obj_preds、类别分数cls_preds等信息,提取出来。

上面的代码位于yolo_head.py的get_assignments函数中。

以前面的假定信息为例,代码图片中的bboxes_preds_per_image因为是候选检测框的信息,因此维度为[1000,4]

obj_preds因为是目标分数,所以维度是[1000,1]

cls_preds因为是类别分数,所以维度是[1000,2]

b.Loss函数计算

针对筛选出的1000个候选检测框,和3个groundtruth计算Loss函数。

计算的代码,也在yolo_head.py的get_assignments函数中。

首先是位置信息的loss值:pair_wise_ious_loss

【YOLOX】核心基础完整讲解_第35张图片

通过第一行代码,可以计算出3个目标框,和1000个候选框,每个框相互之间的iou信息pair_wise_ious,因为向量维度为[3,1000]。

再通过-torch.log计算,得到位置损失,即代码中的pair_wise_iou_loss

然后是综合类别信息和目标信息的loss值:pair_wise_cls_loss

【YOLOX】核心基础完整讲解_第36张图片

通过第一行代码,将类别的条件概率和目标的先验概率做乘积,得到目标的类别分数。

再通过第二行代码,F.binary_cross_entroy的处理,得到3个目标框和1000个候选框的综合loss值,即pair_wise_cls_loss,向量维度为[3,1000]。

c.cost成本计算

有了reg_loss和cls_loss,就可以将两个损失函数加权相加,计算cost成本函数了。

这里涉及到论文中提到的一个公式:

相应的,对应于yolo_head.py的get_assignments函数中的代码:


可以看出,公式中的加权系数,即代码中的3了。

d.SimOTA

有了上面的一系列信息,标签分配问题,就转换为了标准的OTA问题。

但是经典的Sinkhorn-Knopp算法,需要多次迭代求得最优解。

作者也提到,该算法会导致25%额外训练时间,所以采用一种简化版的SimOTA方法,求解近似最优解。这里对应的函数,是get_assignments函数中的self.dynamic_k_matching:

其中的流程如下:

第一步:设置候选框数量

首先按照cost值的大小,新建一个全0变量matching_matrix,这里是[3,1000]。

通过上面第二行代码,设置候选框数量为10。

再通过第三行代码,从前面的pair_wise_ious中,给每个目标框,挑选10个iou最大的候选框

因为前面假定有3个目标,因此这里topk_ious的维度为[3,10]。

第二步:通过cost挑选候选框

下面再通过topk_ious的信息,动态选择候选框,这里是个关键

代码如dynamic_k_matching函数中,下图所示:

为了便于大家理解,大白先把第一行制作成图示效果。

这里的topk_ious,是3个目标框和预测框中,最大iou的10个候选框:

【YOLOX】核心基础完整讲解_第37张图片

经过torch.clamp函数,得到最终右面的dynamic_ks值。

我们就知道,目标框1和3,给他分配3个候选框,而目标框2,给它分配4个候选框。

那么基于什么标准分配呢?

这时就要利用前面计算的cost值,即[3,1000]的损失函数加权信息。

在for循环中,针对每个目标框挑选,相应的cost值最低的一些候选框

【YOLOX】核心基础完整讲解_第38张图片

比如右面的matching_matrix中,cost值最低的一些位置,数值为1,其余位置都为0。

因为目标框1和3,dynamic_ks值都为3,因此matching_matrix的第一行和第三行,有3个1。

而目标框2,dynamic_ks值为4,因此matching_matrix的第二行,有4个1。

第三步:过滤共用的候选框

不过在分析matching_matrix时,我们发现,第5列有两个1。

这也就说明,第五列所对应的候选框,被目标检测框1和2,都进行关联。

因此对这两个位置,还要使用cost值进行对比,选择较小的值,再进一步筛选。

这里为了便于理解,还是采用图示的方式:

首先第一行代码,将matching_matrix,对每一列进行相加。

【YOLOX】核心基础完整讲解_第39张图片

这时anchor_matching_gt中,只要有大于1的,说明有共用的情况

上图案例中,表明第5列存在共用的情况

再利用第三行代码,将cost中,第5列的值取出,并进行比较,计算最小值所对应的行数,以及分数。

我们将第5列两个位置,假设为0.4和0.3。

【YOLOX】核心基础完整讲解_第40张图片

经过第三行代码,可以找到最小的值是0.3,即cost_min为0.3,所对应的行数,cost_argmin为2。

【YOLOX】核心基础完整讲解_第41张图片

经过第四行代码,将matching_matrix第5列都置0。

再利用第五行代码,将matching_matrix第2行,第5列的位置变为1。

最终我们可以得到3个目标框,最合适的一些候选框,即matching_matrix中,所有1所对应的位置

(4)Loss计算

经过第三部分的标签分配,就可以将目标框和正样本预测框对应起来了。

下面就可以计算两者的误差,即Loss函数。

计算的代码,位于yolo_head.py的get_losses函数中。

我们可以看到:

检测框位置的iou_loss,Yolox中使用传统的iou_loss,和giou_loss两种,可以进行选择。

而obj_loss和cls_loss,都是采用BCE_loss的方式

当然除此之外,还有两点需要注意

a. 在前面精细化筛选中,使用了reg_loss和cls_loss,筛选出和目标框所对应的预测框。

因此这里的iou_loss和cls_loss,只针对目标框和筛选出的正样本预测框进行计算。

而obj_loss,则还是针对8400个预测框。

b.在Decoupled Head中,cls_output和obj_output使用了sigmoid函数进行归一化,

但是在训练时,并没有使用sigmoid函数,原因是训练时用的nn.BCEWithLogitsLoss函数,已经包含了sigmoid操作。

而在推理过程中,是使用Sigmoid函数的。

PS:不同的实验数据对比

因为想测试Yolox不同trick的性能,和好友潘大强在使用自有数据,对多种trick进行对比测试时发现:

① 方案一:Yolox-s+数据增强+(obj_output的Loss函数,用BCELoss)

② 方案二:Yolox-s+数据增强+(obj_output的Loss函数,改为FocalLoss)

【YOLOX】核心基础完整讲解_第42张图片

对比发现:在使用自有数据集训练时,如果将obj_loss的BCE_Loss,修改为Focal_Loss,发现效果很明显,涨点也很多。而且Iou_loss收敛的更好了,不知道是否有朋友也试过?可以在评论区讨论。

2.2.3 Yolox-s、l、m、x系列

在对Yolov3 baseline进行不断优化,获得不错效果的基础上。

作者又对Yolov5系列,比如Yolov5s、Yolov5m、Yolov5l、Yolov5x四个网络结构,也使用一系列trick进行改进。

先来看一下,改进了哪些地方?

我们主要对Yolov5s进行对比,下图是Yolov5s的网络结构图:

【YOLOX】核心基础完整讲解_第43张图片

我们再看一下Yolox-s的网络结构:

【YOLOX】核心基础完整讲解_第44张图片

由上面两张图的对比,及前面的内容可以看出,Yolov5sYolox-s主要区别在于:

(1) 输入端:在Mosa数据增强的基础上,增加了Mixup数据增强效果;

(2) Backbone:激活函数采用SiLU函数;

(3) Neck:激活函数采用SiLU函数;

(4) 输出端:检测头改为Decoupled Head、采用anchor free、multi positives、SimOTA的方式。

在前面Yolov3 baseline的基础上,以上的tricks,取得了很不错的涨点。

在Yolov5一系列框架中呢?

下图是对Yolov5s、Yolov5m、Yolov5l、Yolov5x四个网络的改进效果对比图:

【YOLOX】核心基础完整讲解_第45张图片

可以看出,在速度增加1ms左右的情况下,AP精度实现了0.8~2.9的涨点

且网络结构越轻,比如Yolox-s的时候,涨点最多,达到2.9的涨点

随着网络深度和宽度的加深,涨点慢慢降低,最终Yolox-x有0.8的涨点

2.2.4 轻量级网络研究

在对Yolov3、Yolov5系列进行改进后,作者又设计了两个轻量级网络,与Yolov4-Tiny、和Yolox-Nano进行对比。

在研究过程中,作者有两个方面的发现,主要从轻量级网络,和数据增强的优缺点,两个角度来进行描述。

2.2.4.1 轻量级网络

因为实际场景的需要,很多同学想将Yolo移植到边缘设备中。

因此作者针对Yolov4-Tiny,构建了Yolox-Tiny网络结构

针对FCOS 风格的NanoDet,构建了Yolox-Nano网络结构

【YOLOX】核心基础完整讲解_第46张图片 

从上表可以看出:

(1) 和Yolov4-Tiny相比,Yolox-Tiny在参数量下降1M的情况下,AP值实现了9个点的涨点

(2) 和NanoDet相比,Yolox-Nano在参数量下降,仅有0.91M的情况下,实现了1.8个点的涨点

(3) 因此可以看出,Yolox的整体设计,在轻量级模型方面,依然有很不错的改进点。

2.2.4.2 数据增强的优缺点

在Yolox的很多对比测试中,都使用了数据增强的方式。

但是不同的网络结构,有的深有的浅,网络的学习能力不同,那么无节制的数据增强是否真的更好呢?

作者团队,对这个问题也进行了对比测试。

通过以上的表格有以下发现:

① Mosaic和Mixup混合策略

(1)对于轻量级网络,Yolox-nano来说,当在Mosaic基础上,增加了Mixup数据增强的方式,AP值不增反而降,从25.3降到24

(2)而对于深一些的网络,Yolox-L来说,在Mosaic基础上,增加了Mixup数据增强的方式,AP值反而有所上升,从48.6增加到49.5

(3)因此不同的网络结构,采用数据增强的策略也不同,比如Yolox-s、Yolox-m,或者Yolov4、Yolov5系列,都可以使用不同的数据增强策略进行尝试。

② Scale 增强策略

在Mosaic数据增强中,代码Yolox/data/data_augment.py中的random_perspective函数,生成仿射变换矩阵时,对于图片的缩放系数,会生成一个随机值。

(1) 对于Yolox-l来说,随机范围scale设置在[0.1,2]之间,即文章中设置的默认参数。

(2) 而当使用轻量级模型,比如YoloNano时,一方面只使用Mosaic数据增强,另一方面随机范围scale,设置在[0.5,1.5]之间,弱化Mosaic增广的性能。

2.3 Yolox的实现成果

2.3.1 精度速度对比

前面我们了解了Yolox的各种trick改进的原因以及原理,下面我们再整体看一下各种模型精度速度方面的对比:

【YOLOX】核心基础完整讲解_第47张图片

左面的图片是相对比较标准的,网络结构的对比效果,主要从速度和精度方面速度和精度方面,进行对比。

而右面的图片,则是轻量级网络的对比效果,主要对比的是参数量和精度。

从左面的图片可以得出:

(1) 和与Yolov4-CSP相当的Yolov5-l进行对比,Yolo-l在COCO数据集上,实现AP50%的指标,在几乎相同的速度下超过Yolov5-l 1.8个百分点。

(2) 而Yolox-Darknet53和Yolov5-Darknet53相比,实现AP47.3%的指标,在几乎同等速度下,高出3个百分点。

而从右面的图片可以得出:

(1) 和Nano相比,Yolox-Nano参数量和GFLOPS都有减少,参数量为0.91M,GFLOPS为1.08,但是精度可达到25.3%,超过Nano1.8个百分点。

(2) 而Yolox-Tiny和Yolov4-Tiny*相比,参数量和GFLOPS都减少的情况下,精度远超Yolov4-Tiny 9个百分点。

3 深入浅出Yolox之自有数据集训练

因为Yolox的代码,和之前的Yolov3、Yolov4、Yolov5版本还是有很多不同的地方。

很多同学可能对于如何利用自有数据集训练?还是有些疑惑。

因此大白另外也写了一篇《深入浅出Yolox之自有数据集训练》的文章。

利用教室场景中,人头部标注的数据集,和大家一起一步步训练。

文章链接:《深入浅出Yolox之自有数据集训练》

4 不同的落地模型部署方式

当模型训练好,需要在项目中进行部署时

作者在代码中,还贴心的整理了各种版本的部署方式:

【YOLOX】核心基础完整讲解_第48张图片

比如以上5种方式:

(1)MegEngine:基于旷视科技的深度学习框架,MegEngine的部署方式。也是Brain++的核心组件,主要有C++和Python两种方式。

(2)ONNX和Tensorrt两种方式:英伟达的两种方式都有支持,主要有C++和Python两个方式,常常用在GPU服务器推理中。

(3)NCNN:腾讯优图开源的手机端推理框架,主要有C++和Java版本。

(4)OpenViNO:Intel公司开源的深度学习应用套件,主要有C++和Python版本。

一般情况下,可以选择Yolox-Nano、Yolox-Tiny、Yolox-s用于移动端部署。

Yolox-m、Yolox-l、Yolox-x用于GPU服务器部署。

大家也可以根据自己项目的需求,选择不同的部署方式。

转自

深入浅出Yolo系列之Yolox核心基础完整讲解_江大白*的博客-CSDN博客_yolox详解

你可能感兴趣的:(机器学习,深度学习,计算机视觉,人工智能)