深度剖析目标检测算法YOLOV4

yolo 发展历程

采用卷积神经的目标检测算法大致可以分为两个流派，一类是以 R-CNN 为代表的 two-stage，另一类是以 YOLO 为代表的 one-stage，

R-CNN 系列的原理：通过 ROI 提取出大约 2000 个候选框，然后每个候选框通过一个独立的 CNN 通道进行预测输出。

R-CNN 特点：准确度高，速度慢，所以速度成为它优化的主要方向。

YOLO 系列的原理：将输入图片作为一个整体，通过 CNN 通道进行预测输出。

YOLO 特点：速度快，准确度低，所以准确度成为它优化的主要方向。

经过一系列的优化与改进，特别是今年 4 月份推出的 YOLOV4，使得它在准确度方面得到了大幅度的提升，另外，它还能达到实时检测（在 GPU 加持的情况下）。

下图是 YOLOV4 源代码的页面，github: https://github.com/AlexeyAB/darknet

它的 Star 达到 13400，可以说，知名度不是一般的高，在目标检测领域，好像只有 YOLOV3 超过它了，达到了 19000 ，是不是值得大家花点时间精力去探索一下呢？

这里需要说明一下的是 YOLOV3（美国大神），YOLOV4 （俄罗斯大神）作者不是同一个人，在 19 年的时候，YOLOV3 作者发表了一个声明：有些组织将他的算法用于

军事和窥探个人隐私方面，使得他在道德上很难接受，他将不再进行 CV 的研究与更新。当然，这是一个小插曲了，这里，我们看到，YOLOV4 作者更新是非常频繁的，

commits 达到了 2000 + 。下面我们看看官方给出的实验结果。

这里是以 COCO 作为测试数据集，相比于 YOLOV3，YOLOV4 在精度方面提升了 10%，FPS(frame per second) 提升了 12%。

顺便说一句，YOLOV3 的作者也是认可 YOLOV4 的改进的，在 YOLOV3 的官网 https://github.com/pjreddie/darknet 也是给出了

YOLOV4 的链接。

yolov3 算法原理

这里借用某位大神画的结构图，因为 YOLOV4 是在 YOLOV3 的基础上改进的，所以我们需要先介绍一下 YOLOV3，

这里可能需要一些神经网络的知识，比如卷积，池化，全连接，前向传播，反向传播，损失函数，梯度计算，权重参数更新，如果对

这些不是很清楚，可以看我之前的博客（卷积神经网络（CNN）详解与代码实现 https://www.cnblogs.com/further-further-further/p/10430073.html）。

YOLOV3 原理我在上上一篇博客（深度剖析YOLO系列的原理 https://www.cnblogs.com/further-further-further/p/12072225.html）有过介绍，

这里我就介绍一下大家容易忽略，或者是比较难理解的点：

输入图片尺寸可变

输入图片尺寸是 608 * 608，当然，这个尺寸是可以改变的，它只需要满足是 32 的倍数，因为在经过后面的网络结构的时候，图片尺寸缩小的最大倍数是 32 倍，

这可以从它的输出 19 * 19 看出来。

主干网络

采用的是 darknet 53 层网络结构，去掉了全连接层，53 - 1 = 52

52 = 1+(1+2*1)+(1+2*2)+(1+2*8)+(1+2*8)+(1+2*4)

为什么要去掉全连接层？

解答：全连接的本质是矩阵的乘法运算，会产生固定尺寸的输出，而 YOLOV3 是需要多尺寸的输出的，所以要去掉全连接层。

CBL ：表示基础的卷积模块，是由一个 Conv 卷积层 + BN 批量归一化层 + relu 非线性激活函数层组成。

为什么在 CBL 里没有池化层 pooling ？

解答：池化层有两种实现方式，最大值池化和平均值池化，他们都有一个缺点，会造成信息的明显丢失（相比于卷积实现池化的功能来说，改变滑动窗口的步长）。

Res Unit（残差单元）：表示将上一层的输出一分为二，一部分通过两个基础卷积模块得到输出，与另一部分进行求和，这样就能使得输出的残差不可能为 0，

从而有效的防止梯度消失或者梯度爆炸。

ResX ：是由不同的 Res Unit 组成。

多尺寸输出：用到 2 个上采样，注意 Concat 和 Add 的区别。

上采样原理：以特征图相邻像素值来预测中间位置的像素值，然后以这个值插入到中间位置，实现特征图尺寸的翻倍。

Concat : 特征图张量的拼接，拼接后尺寸不变，深度改变。

Add ：特征图对应位置像素值的求和，求和后的尺寸和深度不发生改变。

输出

有三个输出，19 * 19 * 255，38 * 38 * 255，76 * 76 * 255

这三个输出有着怎样的物理含义？

解答：将输入图片网格化，网格化后的大小是 19 *19, 38 * 38，76 * 76，每个网格化后的小方格，也就是一个 grid cell，将要

预测 3 个 bounding box，每个 bounding box = 1 个置信度 + 4 个位置信息 + 类别总数（COCO 数据集就是 80）

为什么每个 grid cell 要预测 3 个 bounding box ？

解答：这样来理解，比如说，一个人站在一辆车的前面，从远处看，这个人和这辆车中心点是完全重合的，但是我们能够看清楚

人和车，但是如果中心点重合的对象超过 3 个，那么我们很有可能对第 4 个，第 5 个以及后面的对象就完全看不清楚了，

所以，这里的 3 表示对象中心点重叠的最大值。

bounding box 如此之多，如何确定最佳的 bounding box ?

解答：采用的 NMS（Non Maximum Suppression）非极大值抑制算法来去除重叠。

NMS 算法原理：> 将预测输出的 bounding boxes 放入到左边的列表中，以置信度来进行降序排列，找到置信度最大的 bounding box ，

比如说这里的 dog1，将 dog1 移出左边列表到右边列表中;

> 遍历左边列表，求出每个 bounding box 与 dog1 的交并比（IoU = Intersection over Union 两个框的交集/并集），

当然，要提前设定一个阈值（一般是 0.5），大于 0.5表示左边 bounding box 与 dog1 有高度的重叠，将这个 bounding box 去掉；

> 重复之前的操作，直至左边列表为空，右边列表得到的 bounding box 就是最佳的结果；

检测匹配问题，为什么 19 * 19 => 大对象？ 38 * 38 => 中等对象 ? 76 * 76 => 小对象 ?

解答：输入图片尺寸是固定的，比如说这里的 608 * 608，将它网格化，网格化就有三种情况：19 * 19，38 * 38，76 * 76，那么是不是 19 * 19 网格化后

的小方格的宽和高要比其他两种要大，这也就意味着它的感受视野是最大的，所以它就能检测出大对象，而其他两个的对应关系也是相同的道理。

yolov4 算法原理

还是借用某位大神画的结构图，记不清名字了，是在抱歉。

乍一看，是不是跟 YOLOV3 长得很像，只不过比 YOLOV3 更复杂了一些，这里 YOLOV4 的作者将结构划分为以下四个部分：

Input，Backbone，Neck，Head，下面就来看看每个部分都做了哪些改进。

Input 改进点

采用 Mosaic 实现数据增强。

Mosaic 算法原理：在输入图片集中随机选取 4 张图片进行随机缩放，随机裁剪，随机扭曲，然后将他们拼接起来，

其目的就是丰富样本数据集。

Backbone 改进点

采用 CSPNet（Cross Stage Partial Network）网络结构，它其实是在残差网络的基础上发展起来的。

具体改进点：

> 用 Concat 代替 Add，提取更丰富的特征。

之前介绍过 Concat 操作后，特征图的尺寸不变，深度会增加，而 Add 操作后尺寸和深度都不改变，从这个意义上说，用 Concat 代替 Add，就能够提取更丰富的特征。

> 引入 transition layer （1 * 1conv + 2 * 2pooling），提取特征，降低计算量，提升速度。

为什么引入 1 * 1conv，能够降低计算量，提升速度？

解答：这里我举一个实例来说明，输入图片大小是 56 * 56 * 256，要求得到输出大小是 28 * 28 * 512，这里就有两种实现方式：

一次卷积方式，它的卷积核参数个数是 117 万；另一种是二次卷积方式，引入了 1 * 1 卷积，它的卷积核参数个数是 62 万，

相比于一次卷积方式，它的卷积核参数个数降低了一倍。

> 将 Base layer 分为两部分进行融合，提取更丰富的特征。

将 Base layer 一分为二，一部分通过类似残差网络得到的输出与另一部分进行 Concat 操作，将操作后的结果通过 Transition Layer。

Backbone 改进点

用 dropblock 取代 dropout

dropout 作用：防止过拟合，

dropout 缺点：每次训练时随机去掉的神经元可以通过相邻的神经元来预测，因为随着网络层数的增加，神经元之间的相关性是越来越强。

dropblock：每次训练时随机去掉一整片区域，这样就能组合更多不一样的网络，从而表现出更好的泛化作用。

Neck 改进点

FPN（Feature pyramid networks） + PANet（Path Aggregation Network）

它其实是在 YOLOV3 的基础上增加了一个自底向上的 PANet 结构，特征图的尺寸是通过下采样得到的，而下采样是通过卷积的方式实现的（改变滑动窗口的步长）。

Head 改进点

用 CIoU Loss 取代 Iou Loss

IoU loss 中 IoU 交并比，两个框的交集/并集，有两个缺点：

> 无法反应两个的距离

例如状态 1，两个框不相交，无论怎样移动两个框，IoU = 0。

> 无法区分两者相交的情况

例如状态 2 和 3，两个框相交的情况完全不一样，但是 IoU 相同。

CIoU Loss 的思想：第一步，在两个框最外层再画一个最小的矩形框，求出这个框的对角线的距离，这个距离就能衡量两个框的距离；

第二步，求出两个框中心点的欧式距离，这欧式距离就能衡量两者的相交情况。

CIoU Loss 数学表达式如上，它能有效的解决 IoU Loss 存在的问题。

YOLOV4 源代码日志解读

网络层数：

YOLOV4 总共层数有 161 层，YOLOV3 是 106 层，网络层数增加是非常明显的。

从这个图可以看出，YOLOV4 采用了大量的 1 * 1 卷积，之前介绍过，采用 1 * 1 卷积，是能降低计算量，提升速度的。

每列含义

layer : 每层操作名称

filters ：卷积核的深度

size/strd(dil)：卷积核的尺寸/滑动窗口的步长

input：输入图片的大小

output：输出图片的大小

代表性层的含义（需要注意的是，这里隐藏了一个前提条件 padding = 1）

> 第 0 层 conv 卷积操作，表示 608 * 608 * 3 & 3 * 3 * 32 => 608 * 608 * 32，这里 32（输出特征图尺寸深度）

是由卷积核的深度决定的。

> 第 1 层 conv 还是卷积操作，表示 608 * 608 * 32 & 3 * 3 * 64 => 304 * 304 * 64，大家发现没有，输出特征图的尺寸

相比于输入特征图的尺寸，降低了一倍，这是因为滑动窗口的步长变成了 2 。

> 第 7 层 Shortcut，它其实等价于 Add 操作，也就是第 6 层的输出与第 4 层的输出进行卷积，

304 * 304 * 64 & 304 * 304 * 64 => 304 * 304 * 64，输出特征图的尺寸和深度都没有改变。

> 第 9 层 route 操作，它其实等价于 Concat 操作，也就是第 8 层的输出与第 2 层的输出进行卷积，

304 * 304 * 64 & 304 * 304 * 64 => 304 * 304 * 128，输出特征图尺寸不变，深度增加，为两个输入特征图深度之和。

相信大家理解了这些层的含义之后，对于后面的其他层的理解，就比较容易了，下面看看它最后的输出：

76 * 76 * 255, 38 * 38 * 255，19 * 19 * 255，这跟之前介绍 YOLOV4 结构图的输出是相一致的。

引用

https://bbs.cvmart.net/topics/2365

https://pjreddie.com/media/files/papers/YOLOv3.pdf

https://arxiv.org/pdf/2004.10934.pdf

https://arxiv.org/pdf/1911.11929v1.pdf

https://arxiv.org/pdf/1803.01534.pdf

不要让懒惰占据你的大脑，不要让妥协拖垮了你的人生。青春就是一张票，能不能赶上时代的快车，你的步伐就掌握在你的脚下。