当前位置：首页 > article >正文

《YOLO 目标检测》—— YOLO v4 详细介绍

article 2024/11/5 20:57:54

文章目录

一、整体网络结构
- 1. YOLO v4 网络结构图
- 2.对之前版本改进创新的概括
二、对改进创新部分的具体介绍
- 1. 输入端创新
- 2. Backbone主干网络创新
- - CSPDarknet53
  - Mish激活函数
  - Dropblock正则化
- 3. 特征融合创新
- - SPP模块
  - PAN结构
- 4. Prediction输出层创新
- - CIOU Loss
  - DIoU_NMS（非极大值抑制）
三、性能与应用
- 1. 性能
- 2. 应用

YOLO v4（You Only Look Once version 4）是一种先进的目标检测系统，于2020年推出，是对之前版本YOLO的改进。YOLOv4基于深度卷积神经网络，能够高精度实时检测图像中的目标。以下是对YOLOv4的详细介绍：

一、整体网络结构

1. YOLO v4 网络结构图

在这里插入图片描述

2.对之前版本改进创新的概括

输入端的创新：数据增强
主干网络的改进：各种方法技巧结合起来，包括：CSPDarknet53、Mish 激活函数、Dropblock
特征融合创新：在主干网络和最后的输出层之间插入一些层，比如 SPP 模块、FPN+PAN 结构
Prediction输出层创新：CIOU Loss（损失函数）、DIoU_NMS（新型的非极大值抑制）

二、对改进创新部分的具体介绍

1. 输入端创新

Mosaic数据增强：采用了CutMix的方法，将4张图片进行随机缩放、随机裁剪、随机排布的方式进行拼接，增强了对正常背景之外的对象的检测，丰富了检测物体的背景信息。同时，减少了估计均值和方差时的计算量，降低了训练成本。

如下图：

2. Backbone主干网络创新

CSPDarknet53

CSPDarknet53：借鉴了ResNet的残差结构，并运用了CSP（Cross Stage Partial）结构
- CSPNet是作者Chien-Yao Wang于2019年发表的论文《CSPNET: A NEW BACKBONE THAT CAN ENHANCE LEARNING CAPABILITY OF CNN》中提出的一种新的网络结构，它可以增强CNN的学习能力，并且在轻量化的同时保持准确性。
- 做法：CSPNet 将基础层的特征映射为两个分支，第二个分支正常执行残差网络，接着将两个分支的信息在通道方向进行 Concat 拼接，最后再通过 Transition 层进一步融合。如下图：
- CSPNet主要是为了解决三个问题：
  增强CNN的学习能力；降低内存成本；以及减少计算瓶颈。
- 同时，CSPNet方法可以减少模型计算量和提高运行速度，还能和多种网络结构结合在一起。

Mish激活函数

Mish激活函数：与ReLU相比，Mish函数在训练过程中能够使梯度更加平滑，避免了神经元的死亡问题，从而提高了模型的准确率。
下面是ReLU（左）和Mish（右）激活函数的图像

Dropblock正则化

Dropblock正则化：在卷积层上引入了一种新的正则化方法，通过丢弃一块相邻区域中的特征来防止过拟合。
相比于传统的Dropout技术，DropBlock不是随机屏蔽掉一部分特征（注意是对特征图进行屏蔽），而是随机屏蔽掉多个部分连续的区域。
这种方法有助于减少神经网络中的冗余连接，从而提高模型的泛化能力
如下图：

3. 特征融合创新

SPP模块

SPP-Net 全称 Spatial Pyramid Pooling Networks，是何恺明提出的，主要是用来解决不同尺寸的特征图如何进入全连接层的，在网络的最后一层 concat 所有特征图，后面能够继续接 CNN 模块
SPP Net在最后一个卷积层后，接入了金字塔池化层，保证传到下一层全连接层的输入固定。在普通的CNN机构中，输入图像的尺寸往往是固定的（比如224*224像素），输出则是一个固定维数的向量。SPP Net在普通的CNN结构中加入了ROI池化层（ROI Pooling），使得网络的输入图像可以是任意尺寸的，输出则不变，同样是一个固定维数的向量。
SPP 模块使得神经网络能够处理任意大小的输入，从而大大提高了模型的灵活性和泛化能力。
如下图：

PAN结构

PAN结构：在FPN（Feature Pyramid Networks）的基础上进行了改进，引入了自底向上的路径，使得底层的位置信息更容易传播到顶层。这种双向的信息传递方式增强了模型对不同尺度目标的检测能力。
- YOLOv3 中只有自顶向下的 FPN，对特征图进行特征融合，而 YOLOv4 中则是 FPN+PAN 的方式对特征进一步的融合。引入了自底向上的路径，使得底层信息更容易传到顶部。
- 下面是 YOLOv3 的 Neck 中的 FPN，如图所示：FPN 是自顶向下的，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
- YOLOv4 中如下：
- 注意：YOLO v4 的特征融和方式是 concat
  - concat：将两个特征图在通道数方向叠加在一起，原特征图信息完全保留下来，再对原特征图增加一些我们认为是较好的特征图，丰富了特征图的多样性，是在空间上对原特征图的增强，这样在下一次卷积的过程中我们能得到更好的特征图。

4. Prediction输出层创新

CIOU Loss

CIOU Loss：作为边界框回归的损失函数，CIOU Loss考虑了预测框与真实框之间的重叠面积、中心点距离和长宽比等因素，使得模型在训练过程中能够更快地收敛，提高检测的精度。
- CIOU Loss 经过多次的修改后才达到了可以考虑多方面因素的效果
- 下面是 CIOU Loss 的修改历程
- 首先是最初的IOU损失函数是以 1 - IOU 来计算的，但是这样当预选框和真实框没有相交时（IOU=0 无法梯度计算，相同的IOU却反应不出实际情况到底是哪一个预选框较好，如下图三种情况的IOU都相同
- 这时 GIOU Loss 的出现解决了以上的问题，公式如下：
  - 引入了最小封闭状态C, C 是将真实框和预选框框在内的最小矩形框大小
  - 后一部分计算是如下图红色区域与 C 的比值大小，红色区域越大则表示预选框的效果月差，损失值就越大
- 但是又有一种情况解决不了，如下图，到预选框在真实框的内部，通过GIOU Loss 的计算方式则三种的预选框的损失值都相等，又分辨不出哪一个预选框效果好
- 这是 DIOU Loss 的出现，又解决了上面的问题，公式如下
- 如下图，DIOU Loss 后一部分中分子计算预测框与真实框的中心点的欧氏距离d，分母是能覆盖预测框与真实框的最小框的对角线长度c，这样便优化了距离，速度更快，并解决GIOU Loss的问题
- 还有一种情况，如下图，红色预选框与橙色预选框的中心点位置相同，且面积也相同，则通过 DIOU Loss 的计算结果是相同的
- 但是从这两个与预选框的宽高比可以看出，红色的预选框与真实框更加接近，因此 CIOU Loss 的出现解决了这一问题
- CIOU Loss 的公式如下：
  - 通过公式可以看出，后一项的加入，又对预选框与真实框的宽高比进行了计算
  - 因此 CIOU Loss 考虑了三个几何因素：重叠面积、中心点距离、长宽比，三方面的考虑则可以更好的通过损失至的计算，反向传播后选出最佳的预选框