YOLOv4在速度和准确率上都十分优异，作者使用了大量的trick，论文也写得很扎实，在工程还是学术上都有十分重要的意义，既可以学习如何调参，也可以了解目标检测的trick。
来源：晓飞的算法工程笔记 公众号
论文: YOLOv4: Optimal Speed and Accuracy of Object Detection
Introduction
论文提出YOLOv4，从图1的结果来看，相对于YOLOv3在准确率上提升了近10个点，然而速度并几乎没有下降，论文主要贡献如下：
- 提出速度更快、精度更好的检测模型，仅需要单张1080Ti或2080Ti即可完成训练。
- 验证了目前SOTA的Bag-ofFreebies(不增加推理成本的trick)和Bag-of-Specials(增加推理成本的trick)的有效性。
- 修改了SOTA方法，让其更高效且更合适地在单卡进行训练，包括CBN、PAN、SAM等。
Methodology
Selection of architecture
对检测模型来说，分类最优的主干网络不一定是最合适的，适用于目标检测的主干网络需满足以下要求：
- 高输入分辨率，提高小物体的检测准确率。
- 更多的层，提高感受域来适应输入的增加。
- 更多的参数，提高检测单图多尺寸目标的能力。
理论来讲，应该选择感受域更大且参数了更大的模型作为主干网络，表1对比了三种SOTA主干网络的，可以看到CSPDarknet53的感受域、参数量以及速度都是最好的，故选其为主干网络。
另外，使用不同大小的感受域有以下好处：
- 匹配物体大小，可以观察完整的物体。
- 匹配网络大小，可以观察物体的上下文信息。
- 超过网络的大小，增加点与最终激活之间的连接数。
为此，YOLOv4加入了SPP block，能够显著地改善感受域大小，而且速度几乎没有什么下降。
另外，使用PANet替换FPN来进行多通道特征的融合。
最终，YOLOv4选择CSPDarknet53作为主干网络，配合SPP模块，PANet通道融合以及YOLOv3的anchor based head。
Selection of BoF and BoS
目前比较有效的目标检测提升的trick：
- 激活函数: ReLU, leaky-ReLU, parametric-ReLU, ReLU6, SELU, Swish, or Mish。
- bbox回归损失: MSE, IoU, GIoU, CIoU, DIoU
- 数据增强: CutOut, MixUp, CutMix
- 正则化方法: DropOut, DropPath, Spatial DropOut, or DropBlock
- 归一化方法: Batch Normalization(BN), Cross-GPU Batch Normalization(CGBN or SyncBN), Filter Response Normalization (FRN), or Cross-Iteration Batch Normalization(CBN)
由于PReLU和SELU难以训练，并且ReLU6是专门为量化网络设计的，从激活函数中去除这几种。而在正则化方法中，DropBlock的效果是最优的。对于归一化方法的选择，由于需要单卡训练，因此不考虑SyncBN。
Additional improvements
为了让模型能更好地在单卡进行训练，做了以下的改进：
- 提出新的数据增强方法Mosaic和Self-Adversarial Training (SAT)。
- 使用遗传算法选择最优的超参数。
- 修改目前的方法来让训练和检测更有效，包括改进的SAM，改进的PAN以及 Cross mini-Batch Normalization (CmBN)
Mosaic是新的数据增强方法，同时融合4张训练图片，CutMix仅融合2张图片，使得目标的检测范围超出其正常的上下文，另外BN每次统计4张图片，这能显著地减少对大mini-batch的需要。
Self-Adversarial Training(SAT)也提供新的数据增强手段，分为两个前向反向阶段。在第一阶段，先对图片进行前向计算，然后通过反向传播修改图片的像素，注意这里不修改网络的权重，通过这种方式，网络进行了一次对抗式训练，制造出没有目标的假象。在第二阶段，对修改后的图片进行正常的训练。
CmBN是改进版的CBN，仅统计single-batch中的mini-batch，如图4所示，假设t-3~t为single-batch中的mini-batch，若干single-batch中包含单个mini-batch，则CmBN与BN一样。
将SAM从spitial-wise attention修改为point-wise attention，即输入和输出的大小一致。
将PAN的shortcut连接方法，从相加改为concate。
YOLOv4
YOLOv4包含：
- Backbone：CSPDarknet53
- Neck：SPP，PAN
- Head：YOLOv3
YOLO v4使用：
- 主干网络的BoF(Bag of Freebies)：CutMix和Mosaic数据增强, DropBlock正则化, 标签平滑(Class label smoothing)
- 主干网络的BoS(Bag of Specials)：Mish激活, Cross-stage partial connections (CSPNet), Multiinput weighted residual connections(MiWRC)
- 检测端的BoF(Bag of Freebies)：CIoU-loss, CmBN, DropBlock正则化, Mosaic数据增强, Self-Adversarial Training, 去除边框敏感性(Eliminate grid sensitivity，见实验部分的解释), 多anchor回归(之前只选最大的), 余弦退火学习率调整(Cosine annealing scheduler), 使用遗传算法最优化超参数, 随机输入大小
- 检测端的BoS(Bag of Specials)：Mish激活, SPP-block, SAM-block, PAN通道融合, DIoU-NMS
Experiments
Influence of different features on Classifier training
CutMix、Mosaic数据增强和标签平衡(Class label smoothing)比较有效。
Influence of different features on Detector training
表4对比的BoF如下：
- S：去除边框敏感性，$b_x=sigma(t_x) +c_x$，之前的中心点回归与anchor的边相关，当需要趋近$c_x$或$c_x+1$时，需要很大的$|t_x|$，为此对sigmoid添加一个大于1的因子来减少这个影响
- M：Mosaic数据增强
- IT：IoU阈值，使用大于IoU阈值的anchor进行训练，之前好像只选最大的
- GA：使用遗传算法进行最优超参选择
- LS：标签平滑
- CNB：论文提出的CmBN
- CA：使用余弦退火(Cosine annealing scheduler)进行学习率下降
- DM：动态mini-batch大小，小分辨率时增加mini-batch
- OA：使用最优的anchors
- GIoU, CIoU, DIoU, MSE：bbox损失函数
论文也对比了检测端的BoS，从结果来看，SPP、PAN和SAM同时使用时效果最好。
Influence of different backbones and pretrained weightings on Detector training
论文研究了不同主干网络对检测准确率的影响，可以看到CSPDarknet53能更好地适应各种改进。
Influence of different mini-batch size on Detector training
论文对比了不同的mini-batch大小下的检测准确率，在加入BoF和BoS训练策略后，mini-batch的改变几乎对准确率没有影响。
Results
表8、9和10分别为Maxwell GPU、Pascal GPU和Volta GPU上的实验结果，从大量的实验对比来看，YOLOv4在速度和准确率上都十分耐看。
CONCLUSION
YOLOv4在速度和准确率上都十分优异，作者使用了大量的trick，论文也写得很扎实，在工程还是学术上都有十分重要的意义，既可以学习如何调参，也可以了解目标检测的trick。
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
