Press "Enter" to skip to content

【Make YOLO Great Again】YOLOv1-v7全系列大解析(Neck篇)

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

作者丨Rocky Ding 来源丨WeThinkIn

 

写在前面

 

大家好,我是Rocky。近年来YOLO系列层出不穷,更新不断,已经到v7版本。Rocky认为不能简单用版本高低来评判一个系列的效果好坏,YOLOv1-v7不同版本各有特色,在不同场景,不同上下游环境,不同资源支持的情况下,如何从容选择使用哪个版本,甚至使用哪个特定部分,都需要我们对YOLOv1-v7有一个全面的认识。故Rocky将YOLO系列每个版本都表示成下图中的五个部分,逐一进行解析,并将每个部分带入业务侧,竞赛侧,研究侧进行延伸思考,探索更多可能性。而本文将聚焦于Neck侧的分享,希望能让江湖中的英雄豪杰获益,也希望大家提出宝贵的建议与观点,让这个栏目更加繁荣。

 

So,enjoy(与本文的BGM一起食用更佳哦):

 

干货篇

 

—-【目录先行】—-

 

 

YOLO系列中Neck结构的由来以及作用

 

YOLOv1-v3 Neck侧解析

 

YOLOv4 Neck侧解析

 

YOLOv5 Neck侧解析

 

YOLOx Neck侧解析

 

YOLOv6 Neck侧解析

 

YOLOv7 Neck侧解析

 

 

【一】YOLO系列中Neck结构的由来以及作用

 

YOLO从v3版本开始设计Neck结构,其中的特征融合思想最初在FPN(feature pyramid networks)网络中提出,在YOLOv3中进行结构的微调,最终成为YOLO后续系列不可或缺的部分。

 

FPN的思路剑指小目标,原来很多目标检测算法都是只采用高层特征进行预测,高层的特征语义信息比较丰富,但是分辨率较低,目标位置比较粗略。假设在深层网络中,最后的高层特征图中一个像素可能对应着输出图像 的像素区域,那幺小于 像素的小物体的特征大概率已经丢失。与此同时,低层的特征语义信息比较少,但是目标位置准确,这是对小目标检测有帮助的。FPN将高层特征与底层特征进行融合,从而同时利用低层特征的高分辨率和高层特征的丰富语义信息,并进行了多尺度特征的独立预测,对小物体的检测效果有明显的提升。

 

FPN结构

FPN论文地址: Feature Pyramid Networks for Object Detection [1] 【Rocky的延伸思考】

 

 

业务侧:FPN具备业务模块沉淀价值,但还是要分场景来使用,主要在小目标场景可以尝试,但同时要兼顾上游数据侧与下游部署侧的适配。

 

竞赛侧:FPN的思想可谓是竞赛侧的一个利器,在分类,分割,检测等任务中都能大展拳脚,进行迁移应用。

 

研究侧:FPN具备作为baseline的价值,不管是进行拓展研究还是单纯学习思想,这个算法都是不错的选择。

 

 

【二】YOLOv1-v3 Neck侧解析

 

YOLOv1和YOLOv2都是不含Neck结构的,Rocky将在本系列的Backbone篇中对这两个模型进行详细介绍,本文中便不做过多赘述。

 

YOLOv3则是较好的引入了 FPN 的思想,以支持后面的Head侧采用多尺度来对不同size的目标进行检测,越精细的grid cell就可以检测出越精细的目标物体。YOLOv3设置了三个不同的尺寸,分别是 , 和 ,他们之间的比例为 。YOLOv3采用全卷积的思路,在Neck侧也不例外(YOLOv1-v2中采用池化层做特征图的下采样, v3中采用卷积层来实现)。【Rocky的延伸思考】

 

 

业务侧:YOLOv3 Neck侧经过时间的考验与沉淀,非常适合作为业务侧的入场baseline部分模块进行搭建。

 

竞赛侧:YOLOv3 Neck架构在竞赛侧有迁移应用的价值。

 

研究侧:YOLOv3 Neck架构具备作为baseline的价值,不管是进行拓展研究还是单纯学习思想。

 

 

【三】YOLOv4 Neck侧解析

 

YOLOv4的Neck侧主要包含了 SPP模块和PAN模块 。

 

SPP模块在YOLOv3_SPP.cfg中率先展现,但是在YOLOv4中则成为了一个标配。SPP模块包含3个最大池化层,其滑动核(sliding kernel)尺寸分别是,并通过Padding操作,使每个最大池化层的输出特征图不变,用于Concat融合操作。SPP模块代替了卷积层后的常规池化层,可以增加感受野,更能获取多尺度特征,训练速度也让人满意。Yolov4论文中使用 的图像在COCO目标检测任务进行实验,SPP模块能以0.5%的额外计算代价将AP50提升2.7%。

 

SPP模块

SPP模块论文:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition PAN模块 对不同层次的特征进行疯狂融合,其在FPN模块的基础上增加了自底向上的特征金字塔结构,保留了更多的浅层位置特征,将整体特征提取能力进一步提升。在引入YOLOv4时,特征图最后的融合操作相比于原论文发生了变化,从add操作改为concat操作,增加了特征图的通道数:

 

PAN模块论文: Path Aggregation Network for Instance Segmentation [2] 【Rocky的延伸思考】

 

 

业务侧:可以作为baseline模型的一个备选,实际效果还需通过实验来反馈。

 

竞赛侧:YOLOv4 Neck侧可以作为竞赛侧的提分策略。

 

研究侧:YOLOv4 Neck架构具备作为baseline的价值,不管是进行拓展研究还是单纯学习思想。

 

 

【四】YOLOv5 Neck侧解析

 

由于YOLOv5在YOLOv4发布之后没多久就开源了,且并没有论文的发表,创新性部分一直受到热议。

 

YOLOv5的Neck侧也使用了SPP模块和PAN模块,但是在PAN模块进行融合后,将YOLOv4中使用的常规CBL模块替换成借鉴CSPnet设计的CSP_v5结构,加强网络特征融合的能力。【Rocky的延伸思考】

 

 

业务侧:YOLOv5 Neck侧在工程中非常稳定,且其github库更新频率让人敬佩,可以作为业务baseline模型的首选。

 

竞赛侧:YOLOv5 Neck侧可以作为检测和分割竞赛入场的模块。

 

 

【五】YOLOx Neck侧解析

 

YOLOx的Neck侧依然使用了YOLOv3的结构,并且使用了SPP模块。

 

【六】YOLOv6 Neck侧解析

 

YOLOv6的Neck侧受到硬件感知神经网络设计思想的启发,基于RepVGG style设计了可重参数化、更高效的 Rep-PAN 。

 

YOLOv6 Neck结构

硬件感知神经网络设计的思想基于硬件的特性、推理框架/编译框架的特点,以硬件和编译友好的结构作为设计原则,在网络构建时,综合考虑硬件计算能力、内存带宽、编译优化特性、网络表征能力等,进而获得又快又好的网络结构。Rep-PAN在PAN模块基础上,引入RepVGG style的RepBlock替换了YOLOv5中使用的CSP-Block,同时对整体Neck中的算子进行了调整,目的是在硬件上达到高效推理的同时,保持较好的多尺度特征融合能力。RepVGG论文: RepVGG: Making VGG-style ConvNets Great Again [3] 【Rocky的延伸思考】

 

 

业务侧:YOLOv6的Neck侧使用了端侧友好的设计策略,我也在实际中测试过,发现其效果会因任务类型与场景的改变而变化,是否使用还需要通过实验来反馈。

 

竞赛侧:相信YOLOv6的Neck侧在一些限定算力资源的竞赛中会大放异彩。

 

 

【七】YOLOv7 Neck侧解析

 

YOLOv7的Neck侧主要包含了 SPPSCP模块和优化的PAN模块 。

 

SPPCSP模块在SPP模块基础上在最后增加concat操作,与SPP模块之前的特征图进行融合,更加丰富了特征信息。PAN模块引入E-ELAN结构,使用expand、shuffle、merge cardinality等策略实现在不破坏原始梯度路径的情况下,提高网络的学习能力。论文原文:(E-ELAN uses expand, shuffle, merge cardinality to achieve the ability to continuously enhance the learning ability of the network without destroying the original gradient path.)

 

E-ELAN模块

【Rocky的延伸思考】

 

 

业务侧:YOLOv7 Neck侧作为YOLO系列最新的一版,其值得我们在业务侧进行实验验证其效果。

 

研究侧:YOLOv7 Ncek是刚发表的,具备很强的研究侧价值。

 

 

参考资料

 

[1] YOLOv1-Darkent: https://github.com/pjreddie/darknet

 

[2] YOLOv2-Darkent: https://github.com/pjreddie/darknet

 

[3] YOLOv3: An Incremental Improvement: https://arxiv.org/pdf/1804.02767.pdf

 

[4] YOLOv3-PyTorch: https://github.com/ultralytics/yolov3

 

[5] YOLOv4: Optimal Speed and Accuracy of Object Detection: https://arxiv.org/pdf/2004.10934.pdf

 

[6] YOLOv4-Darkent: https://github.com/AlexeyAB/darknet

 

[7] YOLOv5-PyTorch: https://github.com/ultralytics/yolov5

 

[8] YOLOX: Exceeding YOLO Series in 2021: https://arxiv.org/pdf/2107.08430.pdf

 

[9] YOLOx-PyTorch: https://github.com/Megvii-BaseDetection/YOLOX

 

[10] YOLOv6:又快又准的目标检测框架开源啦: https://tech.meituan.com/2022/06/23/yolov6-a-fast-and-accurate-target-detection-framework-is-opening-source.html

 

[11] YOLOv6-PyTorch: https://github.com/meituan/YOLOv6

 

[12] Official YOLOv7-PyTorch: https://github.com/WongKinYiu/yolov7

 

[13] Feature Pyramid Networks for Object Detection: https://arxiv.org/pdf/1612.03144.pdf

 

[14] Path Aggregation Network for Instance Segmentation: https://arxiv.org/pdf/1803.01534.pdf

 

[15] RepVGG: Making VGG-style ConvNets Great Again: https://arxiv.org/pdf/2101.03697.pdf

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。