【目标检测】只需一张图~YOLOv5原理懂了~

目录

一、简介

二、模型结构

1.整体结构图

2.Backbone(CSPDarknet)

3.SPPF(Spatial Pyramid Pooling - Fast)

4.Neck(FPN+PAN)

5.Head

三、anchor编解码

1.anchor编码

2.anchor解码

四、损失函数

五、总结


系列文章

【目标检测】英雄联盟能用YOLOv5实时目标检测了 支持onnx推理

【目标检测】一张图~YOLOv5原理懂了~

一、简介

        YOLOv5是在YOLOv3和YOLOv4基础上进行的升级,没有颠覆性的改变,增加的tricks也要看实际情况使用。

        YOLOv5主要是给出了一个目标检测框架的落地方案,方便工作落地。

        YOLOv5原版代码中给出的网络文件是yaml格式,非常不直观,这里我们直接使用pytorch改写的版本介绍。

        这篇文章主要介绍原理,使用方式请跳转另一篇文章:【目标检测】英雄联盟能用YOLOv5实时目标检测了 支持onnx推理

        项目链接:     https://github.com/oaifaye/dcmyolo

二、模型结构

1.整体结构图

        YOLOv5按大小一共有5个版本,Yolov5n、Yolov5s、Yolov5m、Yolov5l、Yolov5x,这5个版本模型只有中间层的通道数和深度不同,模型大致结构其实是一样的,5个版本的模型结构参数如下:

模型 通道数系数 深度系数 通道数[bc] 深度[Depth]
Yolov5n 0.25 0.33 16 1
Yolov5s 0.50 0.33 32 1
Yolov5m 0.75 0.67 48 2
Yolov5l 1.00 1.00 64 3
Yolov5x 1.25 1.33 80 4

        表格中的通道数是基础通道数=64乘以前面的通道数系数的结果,深度是基础深度=3乘以深度系数的结果,下面我们以Yolov5l为例([bc]=64,[Depth]=3),给出模型图,进行介绍。

        图1中每个块下面灰色的部分是输出,图中用到的参数如下:

        batch_size=1

        input_size=640x640

        [bc]通道数=64

        [Depth]CSP中Bottleneck的深度=3

        [cls]分类数=3        ​​​​​​

0d00665f24fc4ee9b6fa666b53785d73.png

  图1

2.Backbone(CSPDarknet)

        Backbone我们使用4个CSP块的堆叠,分别提取后三个CSP块的输出作为下一步骤的输入。

        Darknet是很经典的一个深层网络,在残差块中先使用1x1卷积增加通道数,再使用3x3同时stride=2的卷积做下采样,将通道数的改变和特征图大小的改变分开,这样做的好处是减少参数同时提升可解释性,同时使用stride=2的卷积做下采样减少计算开销。

        CSPDarknet在Darknet的基础上增加了CSP结构。进一步减少计算量并且增强梯度的表现。主要做法是在输入block之前,将输入分为两个部分,其中一部分通过block进行计算,另一部分直接通过一个shortcut进行concat,当然两个分支都会先使用一个1x1的卷积层将通道数减半,这样能保证concat之后通道数不变。

        YOLOv5的backbone使用了两种CSPDarknet,两种CSPDarknet差别并不大,只有一个残差的区别。

ee1c55ae4e294cd8b19e4c8a0eed2af3.png

 图2

        如上图,CSP1_X应用于backbone主干网络部分,输入输出的特征图shape不变;backbone是较深的网络,增加残差结构可以增加层与层之间反向传播的梯度值,避免因为加深而带来的梯度消失,从而可以提取到更细粒度的特征并且不用担心网络退化。

ca4c5fa9bc9f4edca87bc3ccae1f6f1d.png

图3

        CSP2_X主要应用在Neck部分,因为网络没那么深,去掉残差可以减少计算量。

        最原始的CSPDarknet激活函数是LeakyReLU,后期改为SiLU。SiLU是Sigmoid和LeakyReLU的改进版。SiLU具备无上界有下界、平滑、非单调的特性。SiLU在深层模型上的效果优于 LeakyReLU。可以看做是平滑的ReLU激活函数。

        SiLU公式:

        gif.latex?%5Cdpi%7B150%7D%20f%28x%29%3Dx*sigmoid%28x%29

85b5ba8ca284426c8dfaa49138036e1f.png

        CSP块代码位置:dcmyolo/model/backbone/CSPdarknet.py

        CSP块代码实现:

class C3(nn.Module):
    # CSP Bottleneck with 3 convolutions
    def __init__(self, c1, c2, n=1, shortcut=True, g=1, e=0.5):  # ch_in, ch_out, number, shortcut, groups, expansion
        super(C3, self).__init__()
        c_ = int(c2 * e)  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c1, c_, 1, 1)
        self.cv3 = Conv(2 * c_, c2, 1)  # act=FReLU(c2)
        self.m = nn.Sequential(*[Bottleneck(c_, c_, shortcut, g, e=1.0) for _ in range(n)])
        # self.m = nn.Sequential(*[CrossConv(c_, c_, 3, 1, g, 1.0, shortcut) for _ in range(n)])

    def forward(self, x):
        return self.cv3(torch.cat(
            (
                self.m(self.cv1(x)), 
                self.cv2(x)
            )
            , dim=1))

3.SPPF(Spatial Pyramid Pooling - Fast)

        YOLOv4和原始版本的YOLOv5使用了SPP结构,SPP通过不同池化核大小的最大池化进行特征提取,提高网络的感受野。

        这里我们使用SPPF代替SPP结构,SPPF将三个并联的MaxPool2d改成串联,然后concat,好处是比SPP快很多,SPPF已经在图1中画完整,结构如下:

fbafd6082a6b46759c436425f66ffdc6.png

图4

        代码位置:dcmyolo/model/backbone/CSPdarknet.py

        代码实现:

class SPPF(nn.Module):
    # Spatial Pyramid Pooling - Fast (SPPF) layer for YOLOv5 by Glenn Jocher
    def __init__(self, c1, c2, k=5):  # equivalent to SPP(k=(5, 9, 13))
        super().__init__()
        c_ = c1 // 2  # hidden channels
        self.cv1 = Conv(c1, c_, 1, 1)
        self.cv2 = Conv(c_ * 4, c2, 1, 1)
        self.m = nn.MaxPool2d(kernel_size=k, stride=1, padding=k // 2)

    def forward(self, x):
        x = self.cv1(x)
        with warnings.catch_warnings():
            warnings.simplefilter('ignore')  # suppress torch 1.9.0 max_pool2d() warning
            y1 = self.m(x)
            y2 = self.m(y1)
            return self.cv2(torch.cat((x, y1, y2, self.m(y2)), 1))

4.Neck(FPN+PAN)

        YOLOv5的Neck是一个FPN+PAN结构。

c2fac738c2a146729d0d3f651a09e9a6.png

图5

        FPN将不同尺度特征图上的特征进行融合,在融合之后得到的特征图上再进行预测。实现能在增加极小的计算量的情况下,处理好物体检测中的多尺度变化问题。        

        PAN结构是在FPN的基础上引入了 Bottom-up path augmentation 结构,不仅会对特征进行上采样实现特征融合,还会对特征再次进行下采样实现特征融合。

        FPN主要是通过融合高低层特征提升目标检测的效果,尤其可以提高小尺寸目标的检测效果。Bottom-up path augmentation结构可以充分利用网络浅特征进行分割,网络浅层特征信息对于目标检测非常重要,因为目标检测是像素级别的分类浅层特征多是边缘形状等特征。PAN FPN 的基础上加了一个自底向上方向的增强,使得顶层 feature map 也可以享受到底层带来的丰富的位置信息,从而提升了大物体的检测效果。

        FPN层自顶向下传达强语义特征,而PAN则自底向上传达强定位特征,两两联手,从不同的主干层对不同的检测层进行参数聚合,这样的操作确实很皮。

        Neck还有一个改进改进的是在每次concat之后增加了没有残差的CSP块:

5.Head

        Head没有太大变化,还是比较传统的YoloHead(用YOLOvX的话是耦合头:Couped Head)。

        我们使用的是英雄联盟的数据集,有3个类别,在图1中三个Head从下往上输出分别为(24,20,20),(24,40,40),(24,80,80)。

        其中20、40、80为固定值(input_size=640x640的情况下),用于不同尺度的anchor编解码。

        24 = (4+1+3)*3,前4个参数用于判断每一个特征点的回归参数,分别对应着先验框中心坐标在xy方向的偏移和预测框高宽;第5个参数预测否包含物体;最后3个参数预测每个类别的概率;*3是因为9个预设anchors分3组,每组有3个先验框。

        如果使用VOC数据集,有20个分类,Head输出为:(75,20,20),(75,40,40),(75,80,80)。

        如果使用COCO数据集,有80个分类,Head输出为:(255,20,20),(255,40,40),(255,80,80)。

        Neck+Head代码如下:

class YoloBody(nn.Module):
    def __init__(self, anchors_mask, num_classes, phi, anchors=None, input_shape=None, backbone_model_dir='', need_detect_box=False):
        super(YoloBody, self).__init__()
        depth_dict          = {'n': 0.33, 's': 0.33, 'm': 0.67, 'l': 1.00, 'x': 1.33}
        width_dict          = {'n': 0.25, 's': 0.50, 'm': 0.75, 'l': 1.00, 'x': 1.25}
        dep_mul, wid_mul    = depth_dict[phi], width_dict[phi]

        base_channels       = int(wid_mul * 64)  # 64
        base_depth          = max(round(dep_mul * 3), 1)  # 3
        #-----------------------------------------------#
        #   输入图片是3, 640, 640
        #   初始的基本通道是64
        #-----------------------------------------------#
        self.backbone       = self._get_backbone(base_channels, base_depth, phi, backbone_model_dir)

        self.upsample   = nn.Upsample(scale_factor=2, mode="nearest")

        self.conv_for_feat3         = Conv(base_channels * 16, base_channels * 8, 1, 1)
        self.conv3_for_upsample1    = C3(base_channels * 16, base_channels * 8, base_depth, shortcut=False)

        self.conv_for_feat2         = Conv(base_channels * 8, base_channels * 4, 1, 1)
        self.conv3_for_upsample2    = C3(base_channels * 8, base_channels * 4, base_depth, shortcut=False)

        self.down_sample1           = Conv(base_channels * 4, base_channels * 4, 3, 2)
        self.conv3_for_downsample1  = C3(base_channels * 8, base_channels * 8, base_depth, shortcut=False)

        self.down_sample2           = Conv(base_channels * 8, base_channels * 8, 3, 2)
        self.conv3_for_downsample2  = C3(base_channels * 16, base_channels * 16, base_depth, shortcut=False)

        # 256, 80, 80 => 3 * (5 + num_classes), 80, 80
        self.yolo_head_P3 = nn.Conv2d(base_channels * 4, len(anchors_mask[2]) * (5 + num_classes), 1)
        # 512, 40, 40  => 3 * (5 + num_classes), 40, 40
        self.yolo_head_P4 = nn.Conv2d(base_channels * 8, len(anchors_mask[1]) * (5 + num_classes), 1)
        # 1024, 20, 20,  => 3 * (5 + num_classes), 20, 20
        self.yolo_head_P5 = nn.Conv2d(base_channels * 16, len(anchors_mask[0]) * (5 + num_classes), 1)
        self.need_detect_box = need_detect_box
        if need_detect_box:
            self.detectBox = DetectBox(anchors, num_classes, input_shape)

    def _get_backbone(self, channels, depth, phi, backbone_model_dir):
        """
        初始化backbone
        Returns
        -------

        """
        backbone_model_path = os.path.join(backbone_model_dir, 'cspdarknet_'+phi+'_backbone.pth')
        return CSPDarknet(channels, depth, backbone_model_path)

    def forward(self, x):
        #  backbone
        feat1, feat2, feat3 = self.backbone(x)

        # 1024, 20, 20 -> 512, 20, 20
        P5          = self.conv_for_feat3(feat3)
        # 512, 20, 20 -> 512, 40, 40
        P5_upsample = self.upsample(P5)
        # 512, 40, 40 -> 1024, 40, 40
        P4          = torch.cat([P5_upsample, feat2], 1)
        # 1024, 40, 40 -> 512, 40, 40
        P4          = self.conv3_for_upsample1(P4)

        # 512, 40, 40 -> 256, 40, 40
        P4          = self.conv_for_feat2(P4)
        # 256, 40, 40 -> 256, 80, 80
        P4_upsample = self.upsample(P4)
        # 256, 80, 80 concat 256, 80, 80 -> 512, 80, 80
        P3          = torch.cat([P4_upsample, feat1], 1)
        # 512, 80, 80 -> 256, 80, 80
        P3          = self.conv3_for_upsample2(P3)
        
        # 256, 80, 80 -> 256, 40, 40
        P3_downsample = self.down_sample1(P3)
        # 256, 40, 40 concat 256, 40, 40 -> 512, 40, 40
        P4 = torch.cat([P3_downsample, P4], 1)
        # 512, 40, 40 -> 512, 40, 40
        P4 = self.conv3_for_downsample1(P4)

        # 512, 40, 40 -> 512, 20, 20
        P4_downsample = self.down_sample2(P4)
        # 512, 20, 20 cat 512, 20, 20 -> 1024, 20, 20
        P5 = torch.cat([P4_downsample, P5], 1)
        # 1024, 20, 20 -> 1024, 20, 20
        P5 = self.conv3_for_downsample2(P5)

        #---------------------------------------------------#
        #   第三个特征层
        #   y3=(batch_size,24,80,80)
        #---------------------------------------------------#
        out2 = self.yolo_head_P3(P3)
        #---------------------------------------------------#
        #   第二个特征层
        #   y2=(batch_size,24,40,40)
        #---------------------------------------------------#
        out1 = self.yolo_head_P4(P4)
        #---------------------------------------------------#
        #   第一个特征层
        #   y1=(batch_size,24,20,20)
        #---------------------------------------------------#
        out0 = self.yolo_head_P5(P5)

        if self.need_detect_box:
            return self.detectBox([out0, out1, out2])

        return out0, out1, out2

三、anchor编解码

        YOLOv5的anchor有9个,根据数据集会有不同,我们以COCO的anchor为例:

10,13, 16,30, 33,23,  30,61, 62,45, 59,119,  116,90, 156,198, 373,326

        anchor分成3组,每组3对,每对表示anchor的宽高。3组分别对应模型的输出,分别是:

        (1,24,80,80)对应第一组10,13, 16,30, 33,23

        (1,24,40,40)对应第二组30,61, 62,45, 59,119

         (1,24,20,20)对应第三组116,90, 156,198, 373,326

        可以看到输出的尺度越小,对应的anchor越大,因为输出可以看做将图片平均分成了80x80、40x40、20x20,尺度划分的越细,越有利于预测小物体,划分的越组越有利于预测大物体,所以小尺度对应大anchor是有道理的。

        下面我们以20x20的尺度为例,进行介绍。图像被划分成20x20,意味着stride=640/20=32。

1.anchor编码

        编码的功能是在训练阶段,将gt的左上右下坐标表示方式与anchor结合转换成与模型输出一样的格式,方便对预测值进行比较计算损失。

        步骤如下:

        (1)将gt的坐标除以图片的宽高进行归一化;将box左上右下的表示方式转换成xywh:

#---------------------------------------------------#
#   对真实框进行归一化,调整到0-1之间    
#---------------------------------------------------#
box[:, [0, 2]] = box[:, [0, 2]] / self.input_shape[1]
box[:, [1, 3]] = box[:, [1, 3]] / self.input_shape[0]
#---------------------------------------------------#
#   序号为0、1的部分,为真实框的中心
#   序号为2、3的部分,为真实框的宽高
#   序号为4的部分,为真实框的种类
#---------------------------------------------------#
box[:, 2:4] = box[:, 2:4] - box[:, 0:2]
box[:, 0:2] = box[:, 0:2] + box[:, 2:4] / 2

        (2)多正样本匹配,判断gt落在哪个尺度的格中,就由哪个格负责预测,这里每个gt选择三个框,如下图:

        如果gt的中点落在a,除了选择a所在的格还选择1、2,三个格同时参与预测。同理b+1+3、c+3+4、d+2+4。

    def get_near_points(self, x, y, i, j):
        sub_x = x - i
        sub_y = y - j
        if sub_x > 0.5 and sub_y > 0.5:
            return [[0, 0], [1, 0], [0, 1]]
        elif sub_x < 0.5 and sub_y > 0.5:
            return [[0, 0], [-1, 0], [0, 1]]
        elif sub_x < 0.5 and sub_y < 0.5:
            return [[0, 0], [-1, 0], [0, -1]]
        else:
            return [[0, 0], [1, 0], [0, -1]]

        找到中心后,就要计算中心的距离的偏移,归一化的中心点乘以20即可。

#-------------------------------------------------------#
#   计算出正样本在特征层上的中心点
#-------------------------------------------------------#
batch_target[:, [0,2]]  = targets[:, [0,2]] * in_w
batch_target[:, [1,3]]  = targets[:, [1,3]] * in_h

        (3)中点找到之后,接下来计算宽高,这就用到anchor,这里要算的事gt宽高相对于anchor的比值。

        anchor除以stride得到anchor在当前尺度的表示。

        计算wh与anchor的比值,去掉比值超过4的,至于为什么是4,取决于解码中的公式,下面我们会提到。

#   wh                          : num_true_box, 2
#   np.expand_dims(wh, 1)       : num_true_box, 1, 2
#   anchors                     : 9, 2
#   np.expand_dims(anchors, 0)  : 1, 9, 2
#   
#   ratios_of_gt_anchors代表每一个真实框和每一个先验框的宽高的比值
#   ratios_of_gt_anchors    : num_true_box, 9, 2
#   ratios_of_anchors_gt代表每一个先验框和每一个真实框的宽高的比值
#   ratios_of_anchors_gt    : num_true_box, 9, 2
#
#   ratios                  : num_true_box, 9, 4
#   max_ratios代表每一个真实框和每一个先验框的宽高的比值的最大值
#   max_ratios              : num_true_box, 9
#-------------------------------------------------------#
ratios_of_gt_anchors = np.expand_dims(batch_target[:, 2:4], 1) / np.expand_dims(anchors, 0)
ratios_of_anchors_gt = np.expand_dims(anchors, 0) / np.expand_dims(batch_target[:, 2:4], 1)
ratios               = np.concatenate([ratios_of_gt_anchors, ratios_of_anchors_gt], axis = -1)
max_ratios           = np.max(ratios, axis = -1)

for t, ratio in enumerate(max_ratios):
# -------------------------------------------------------#
#   和gt相比 去掉宽高相差太大的anchors
#   这里阈值=4
#   因为tw = (sigmoid(gtw) * 2) ** 2  th = (sigmoid(gth) * 2) ** 2
#   tw和th的取值是(0, 4)
# -------------------------------------------------------#
over_threshold = ratio < self.threshold
over_threshold[np.argmin(ratio)] = True
for k, mask in enumerate(self.anchors_mask[l]):
    if not over_threshold[mask]:
	continue
    #----------------------------------------#
    #   获得真实框属于哪个网格点
    #   x  1.25     => 1
    #   y  3.75     => 3
    #----------------------------------------#
    i = int(np.floor(batch_target[t, 0]))
    j = int(np.floor(batch_target[t, 1]))
    
    offsets = self.get_near_points(batch_target[t, 0], batch_target[t, 1], i, j)
    for offset in offsets:
	local_i = i + offset[0]
	local_j = j + offset[1]

	if local_i >= in_w or local_i < 0 or local_j >= in_h or local_j < 0:
	    continue

	if box_best_ratio[l][k, local_j, local_i] != 0:
	    if box_best_ratio[l][k, local_j, local_i] > ratio[mask]:
		y_true[l][k, local_j, local_i, :] = 0
	    else:
		continue
	    
	#----------------------------------------#
	#   取出真实框的种类
	#----------------------------------------#
	c = int(batch_target[t, 4])

	#----------------------------------------#
	#   tx、ty代表中心调整参数的真实值
	#----------------------------------------#
	y_true[l][k, local_j, local_i, 0] = batch_target[t, 0]
	y_true[l][k, local_j, local_i, 1] = batch_target[t, 1]
	y_true[l][k, local_j, local_i, 2] = batch_target[t, 2]
	y_true[l][k, local_j, local_i, 3] = batch_target[t, 3]
	y_true[l][k, local_j, local_i, 4] = 1
	y_true[l][k, local_j, local_i, c + 5] = 1
	#----------------------------------------#
	#   获得当前先验框最好的比例
	#----------------------------------------#
	box_best_ratio[l][k, local_j, local_i] = ratio[mask]

        经过上面三步,gt的原始坐标就转换成了预测坐标信息,shape为(1,3,20,20,4)接下来看解码。

2.anchor解码

        解码针对模型输出进行操作,将模型的输出变成xywh形式

        中点偏移的范围由原来的(0, 1)调整到了( −0.5, 1.5),公式如下:

gif.latex?%5Cdpi%7B150%7D%20b_%7Bx%7D%3D2%5Csigma%20%28t_%7Bx%7D%29-0.5+c_%7Bx%7D

gif.latex?%5Cdpi%7B150%7D%20b_%7By%7D%3D2%5Csigma%20%28t_%7By%7D%29-0.5+c_%7By%7D

        目标宽高的计算公式调整为,其中gif.latex?p_%7Bw%7D范围(0,1)、gif.latex?%5Cdpi%7B100%7D%20%5Csigma%28t_%7Bw%7D%29gif.latex?%5Cdpi%7B100%7D%20%5Csigma%28t_%7Bh%7D%29范围(0,1)所以gif.latex?b_wgif.latex?b_h范围(0,4):

gif.latex?%5Cdpi%7B150%7D%20b_w%3Dp_w%282%5Csigma%20%28t_w%29%29%5E2

gif.latex?%5Cdpi%7B150%7D%20b_h%3Dp_h%282%5Csigma%20%28t_h%29%29%5E2

4d3c0cbb14474b589a805c7861c68a08.png

         

参数解释:

        gif.latex?t_x%2Ct_y%2Ct_w%2Ct_h:预测的坐标信息

        gif.latex?b_x%2Cx_y%2Cb_w%2Cb_h: 最终预测坐标信息

        gif.latex?%5Csigma:表示sigmoid,将坐标归一化到0~1

        gif.latex?c_x%2Cc_y: 中心点所在的网格的左上角坐标

        gif.latex?p_w%2Cp_y: anchor框的大小

        经过解码的输出shape为(1,3,20,20,4),可以和上面的编码结果计算损失了。

四、损失函数

        YoloV5的损失函数分为三个部分:

        Location loss:定位损失,采用GIoU loss(CIoU的具体介绍可以参考https://blog.csdn.net/xian0710830114/article/details/128177705),只计算正样本的定位损失,利用前4个值计算损失。

        Objectness loss:obj置信度损失,采用BCE loss,计算的是否有物体的obj损失。利用第5个值计算损失。

        Classes loss:分类损失,采用BCE loss,只计算正样本的分类损失。利用第5个值后面的所有值计算损失。

        总的损失函数是一个Multi-task Loss:

gif.latex?%5Cdpi%7B150%7D%20L%3D%5Clambda%20_%7B1%7DL_%7Bloc%7D+%5Clambda%20_%7B2%7DL_%7Bobj%7D+%5Clambda%20_%7B3%7DL_%7Bcls%7D

          三段损失的代码实现:

    def box_giou(self, b1, b2):
        """
        输入为:
        ----------
        b1: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh
        b2: tensor, shape=(batch, feat_w, feat_h, anchor_num, 4), xywh

        返回为:
        -------
        giou: tensor, shape=(batch, feat_w, feat_h, anchor_num, 1)
        """
        # ----------------------------------------------------#
        #   求出预测框左上角右下角
        # ----------------------------------------------------#
        print("max:", torch.max(b1), torch.max(b2))
        b1_xy = b1[..., :2]
        b1_wh = b1[..., 2:4]
        b1_wh_half = b1_wh / 2.
        b1_mins = b1_xy - b1_wh_half
        b1_maxes = b1_xy + b1_wh_half
        # ----------------------------------------------------#
        #   求出真实框左上角右下角
        # ----------------------------------------------------#
        b2_xy = b2[..., :2]
        b2_wh = b2[..., 2:4]
        b2_wh_half = b2_wh / 2.
        b2_mins = b2_xy - b2_wh_half
        b2_maxes = b2_xy + b2_wh_half

        # ----------------------------------------------------#
        #   求真实框和预测框所有的iou
        # ----------------------------------------------------#
        intersect_mins = torch.max(b1_mins, b2_mins)
        intersect_maxes = torch.min(b1_maxes, b2_maxes)
        intersect_wh = torch.max(intersect_maxes - intersect_mins, torch.zeros_like(intersect_maxes))
        intersect_area = intersect_wh[..., 0] * intersect_wh[..., 1]
        b1_area = b1_wh[..., 0] * b1_wh[..., 1]
        b2_area = b2_wh[..., 0] * b2_wh[..., 1]
        union_area = b1_area + b2_area - intersect_area
        iou = intersect_area / union_area

        # ----------------------------------------------------#
        #   找到包裹两个框的最小框的左上角和右下角
        # ----------------------------------------------------#
        enclose_mins = torch.min(b1_mins, b2_mins)
        enclose_maxes = torch.max(b1_maxes, b2_maxes)
        enclose_wh = torch.max(enclose_maxes - enclose_mins, torch.zeros_like(intersect_maxes))
        # ----------------------------------------------------#
        #   计算对角线距离
        # ----------------------------------------------------#
        enclose_area = enclose_wh[..., 0] * enclose_wh[..., 1]
        giou = iou - (enclose_area - union_area) / enclose_area

        return giou    

    def BCELoss(self, pred, target):
        epsilon = 1e-7
        pred = self.clip_by_tensor(pred, epsilon, 1.0 - epsilon)
        output = - target * torch.log(pred) - (1.0 - target) * torch.log(1.0 - pred)
        return output

    def MSELoss(self, pred, target):
        return torch.pow(pred - target, 2)

五、总结

        YOLOv5在算法上有创新,但不多,工作中使用还是挺方便的,主要创新如下:

        (1) 通过灵活的配置参数,可以得到不同复杂度的模型,Yolov5n、Yolov5s、Yolov5m、Yolov5l、Yolov5x。

        (2) Mosaic数据增强、Mosaic利用了四张图片进行拼接实现数据中增强,优点是丰富检测物体的背景,且在计算时一下子会计算四张图片的数据。

        (3) 使用SiLU激活函数。

        (4) 多正样本匹配:在之前的Yolo系列里面,在训练时每一个真实框对应一个正样本,即在训练时,每一个真实框仅由一个先验框负责预测。YoloV5中为了加快模型的训练效率,增加了正样本的数量,在训练时,每一个真实框可以由多个先验框负责预测。

        YOLOv5还有很多很多细节,比如数据增强、NMS等等,这篇文章只说了最重要的,其它细节会慢慢说。

你可能感兴趣的:(目标检测,深度学习,目标检测,计算机视觉,人工智能,算法)