目标检测算法 - YOLOv4

1. 简介

YOLOv4是YOLOv3的改进版。YOLOv4并不是原YOLO项目的作者。发表于CVPR2020。

改进：

• 主干特征提取网络：Darknet53 -> CSPDarknet53
• 特征金字塔：SPP，PAN
• 分类回归层：YOLOv3（未改变）
• 训练时用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减
• 激活函数：使用Mish激活函数
• …

性能对比

网络结构：

• Backbone：CSPDarknet53
• Neck：SPP，PAN
• Head：YOLOv3

优化策略：

• Eliminate grid sensitivity
• Mosaic data augmentation
• IoU threshold(match posotive samples)
• Optimizered Anchors
• CIOU

---

2. YOLOv4整体结构

YOLOv4整体结构

---

3. Backbone

当输入是416x416时，特征结构如下：

CSP模块

对于输入的特征层，首先将其分为两部分，part1和part2。

对于part2分支，它会通过一系列的dense block，然后通过transition，再将输出和part1上的输出进行融合concat拼接，再通过transition。

在源码中，对于part1和part2是直接将输入特征层按照通道方向进行均分操作。

但是在YOLOv4论文中，并不是这样操作的，如下图。

CSPDarknet53整体结构

作用：

• 增强CNN的学习能力
• 移除计算瓶颈
• 降低显存使用

总体来看，每个CSP模块都有以下特点：

• 相比于输入，输出featuremap大小减半。
• 相比于输入，输出通道数增倍。
• 经过第一个CBM后，featuremap大小减半,通道数增倍。

CSP1和其他CSP有所不同：

• 经过模块第二个CBM后，CSP1 featuremap大小和通道数都不变，但是其他模块featuremap大小不变，通道减半。

• 经过最后一个CBM后，CSP1 featuremap大小不变，通道数减半，但是其他模块featuremap大小通道数都不变。

---

4. Neck

yolov4的Neck部分主要使用SPP和PANet模块。

SPP

SPP(空间金字塔)可以使得多个尺寸特征融合在一起，输入经过3个maxpool然后concat在一起，maxpool大小分别是13,9和5，yolov4中得SPP模块。

PANet

PANet的网络结构由5个核心模块组成。其中(a)是一个FPN，(b)是PAN增加的自底向上的特征融合层，©是自适应特征池化层，(d)是PANet的bounding box预测头，(e)是用于预测掩码的全连接融合层。

PANet是加强版的FPN，通过融合自底向上和自顶向下两个路径增加模型的表征能力。