YOLOv4团队最新开源！YOLOv4改进版！！！Scaled-YOLOv4解读

摘要：

该文提出一种“网路扩展(Network Scaling)”方法，它不仅针对深度、宽度、分辨率进行调整，同时调整网络结果，作者将这种方法称之为Scaled-YOLOv4。

由此得到的YOLOv4-Large取得了SOTA结果：在MS-COCO数据集上取得了55.4%AP(73.3% AP50)，推理速度为15fps@Tesla V100；在添加TTA后，该模型达到了55.8%AP(73.2%AP50)。截止目前，在所有公开论文中，YOLOv-Large在COCO数据集上取得最佳指标。而由此得到的YOLOv4-tiny取得了22.0%AP(42.0%AP50)，推理速度为443fps@TRX 2080Ti；经由TensorRT加速以及FP16推理，batchsize=4时其推理速度可达1774fps。

论文PDF版本可在公众号【计算机时间联盟】后台回复【20201118】下载

本文第4章涉及的开源代码

YOLOv4-CSP: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-csp
YOLOv4-tiny: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-tiny
YOLOv4-large: https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-large

该文的主要贡献包含以下几点：

1. 设计了一种强有力的“网络扩展”方法用于提升小模型的性能，可以同时平衡计算复杂度与内存占用；

2. 设计了一种简单而有效的策略用于扩展大目标检测器；

3. 分析了模型扩展因子之间的相关性并基于最优划分进行模型扩展；

4. 通过实验证实：FPN structure is inherently a once-for-all structure

5. 基于前述分析设计了两种高效模型：YOLOv4-tiny与YOLOv4-Large。

Scaled-YOLOv4

接下来，我们将尝试把YOLOv4扩展到不同的GPU(包含低端和高端GPU)。

CSP-ized YOLOv4

YOLOv4是一种针对通用GPU设计的实时目标检测方案。在这里，作者对YOLOv4进行重新设计得到YOLOv4-CSP以获取最佳的速度-精度均衡。

Backbone

在CSPDarknet53的设计中，跨阶段的下采样卷积计算量并未包含在残差模块中。因此，作者推断：每个CSPDarknet阶段的计算量为。从该推断出发，CSPDarknet比DarkNet具有更好的计算量优势(k>1)。CSPDarkNet53每个阶段的残差数量分别为1-2-8-8-4。为得到更好的速度-精度均衡，作者将首个CSP阶段转换为原始的DarkNet残差层。

Neck

更有效的降低参数量，作者将PAN架构引入到YOLOv4中。PAN架构的处理流程见下图a，它主要集成了来自不同特征金字塔的特征。改进后的处理流程见下图b，它还同时引入了ChannelSplitting机制。这种新的处理方式可以节省40%计算量。

SPP

原始的SPP模块位于Neck中间部分，作者同样将SPP插入到CSPPAN中间位置，见上图b。

YOLOv4-tiny

YOLOv4是专为低端GPU而设计的一种架构，其计算模块见下图。在这里，作者采用CSPOSANet+PCB架构构成了YOLOv4的骨干部分。

在计算模块中，，。通过计算，作者推断得到k=3，其对应的计算单元示意图见上图。至于YOLOv4-tiny的通道数信息，作者延续了YOLOv3-tiny的设计。

YOLOv4-large

YOLOv4-large是专为云端GPU而设计的一种架构，主要目的在于获得更好的目标检测精度。作者基于前述分析设计了一个全尺寸的YOLOv4-P5并扩展得到了YOLOv4-P6和YOLOv4-P7。其对应的网络结构示意图见下图。

作者通过实验发现：YOLOv4-P6(宽度缩放因子1)可以达到30fps的实时处理性能；YOLOv4-P7(宽度缩放因子1.25)可以达到15fps的处理速度。

Experiments

作者在MSCOCO-2017数据集上验证了所提Scaled-YOLOv4的性能，作者提到并未采用ImageNet进行预训练，所有YOLOv4模型均从头开始训练。YOLOv4-tiny的训练了600epoch；YOLOv4CSP训练了300epoch；YOLOv4-large先训练了300epoch，然后采用更强的数据增广技术训练了150epoch。其他训练相关的超参作者采用k-mean与遗传算法决定。

Ablation study on CSP-ized model

作者首先针对CSP-ized模型进行了消融实验分析，结果见下表。作者从参数量、计算量、处理流程以及平均精度方面进行了CSP-ization的影响性分析。作者采用Darknet53作为骨干网络，选择FPN+SPP与PAN+SPP作为neck进行消融分析。作者同时还采用了LeakyReLU与Mish进行对比分析。

从上表可以看到：CSP-ized模型可以极大的降低参数量与计算量达32%，同时带来性能上的提升；同时还可以看到：CD53s-CFPNSPP-Mish、CD53s-CPANSPP-Leaky与D53-FPNSPP-Leaky相同的推理速度，但具有更高的指标（分别搞1%和1.6%AP），且具有更低的计算量。

Ablation study on YOLOv4-tiny

接下来，我们将通过实验来证实：CSPNet+partial的灵活性。作者将其与CSP-Darknet53进行了对比，结果见下表。

从上表可以看到：所设计的PCB技术可以使模型更具灵活性，因为它可以更具实际需要进行结构调整。同时也证实：线性缩放方式的局限性。作者最终选择COSA-2x2x作为YOLOv4-tiny，因其取得最佳的精度-速度均衡。

Scaled-YOLOv4 for object detection

上图给出了本文所提Scaled-YOLOv4与其他SOTA目标检测方法的对比，可以看到：所提方法在不同约束下均取得了最佳的均衡。比如，YOLOv4-CSP与EfficientDet-D3具有相同的精度，但具有更开的推理速度(1.9倍)；YOLOv4-P5与EfficientDet-D5具有相同的精度，推理速度则快2.9倍。类似现象可见：YOLOv4-P6 vs EfficientDet-D7， YOLOv4-P7 vs EfficientDet-D7x。更重要的是：所有Scaled-YOLOv4均达到了SOTA结果。

与此同时，作者还给出了添加TTA后的YOLOv4-large性能，可以看到分别可以得到1.1%，0.6%与0.4%AP的指标提升。

作者还对比了YOLOv4-tiny与其他tiny目标检测器的性能对比，见下表。可以看到：YOLOv4-tiny取得了最佳的性能。

最后，作者在不同的嵌入式GPU上测试了YOLOv4-tiny的性能，见下图。可以看到：无论哪种硬件平台下，YOLOv4-tiny均可以达到实时性。经过TensorRT FP16优化后的YOLOv40tiny最高可以达到1774fps的推理速度。

YOLO系列相关文章

1. YOLOv1: https://arxiv.org/abs/1506.02640

2. YOLO9000:https://arxiv.org/abs/1612.08242

3. YOLOv3: https://arxiv.org/abs/1804.02767

4. YOLO-Lite: https://arxiv.org/abs/1811.05588

5. Gaussian YOLOv3: https://arxiv.org/1904.04620

6. REQ-YOLO: https://arxiv.org/abs/1909.13396

7. xYOLO: https://arxiv.org/abs/1910.03159

8. YOLO-Nano: https://arxiv.org/abs/1910.01271

9. CSPNet：https://arxiv.org/abs/1911.11929

10. YOLOv4: https://arxiv.org/abs/2004.10934

11. Poly-YOLO: https://arxiv.org/abs/2005.13243

12. PP-YOLO: https://arxiv.org/abs/2007.12099

 论文标题：Scaled-YOLOv4:Scaling Cross Stage Partial Network
链接：https://arxiv.org/2011.08036
代码: https://github.com/WongKinYiu/ScaledYOLOv4

文章来源: kings.blog.csdn.net，作者：人工智能博士，版权归原作者所有，如需转载，请联系作者。

原文链接：kings.blog.csdn.net/article/details/109766170