yolov4和yolov5对比分析

前言 ：详细介绍了yolo系列目标检测算法的原理和发展过程。

系列：
【YOLO系列】YOLO.v1算法原理详解
【YOLO系列】YOLO.v2算法原理详解
【YOLO系列】YOLO.v3算法原理详解
【YOLO系列】YOLO.v4 & YOLO.v5算法原理详解

4. YOLO.v4 & YOLO.v5

4.1 基本概述

论文参考：YOLOv4: Optimal Speed and Accuracy of Object Detection

回顾 yolo 发展过程：

• yolo v1 创新性提出了目标检测新框架，即 yolo 横空出世，那时候性能还很薄弱；


• yolo v2 通过加入各种技巧，使得 yolo 性能有了跟其它主流目标检测网络较劲的底气；


• yolo v3 基础网络的改变，大大提高了其性能，同时构建出了 yolo 的经典框架；至此，大厦已立。

从性能数据上看，yolo v3 已经是个很成熟很好用的网络了，具有较快检测速度和较高准确率；

事实上，也确会如此，现在 yolo v3 仍旧被诸多目标检测者广泛使用在诸多检测任务中。

AI 发展如此迅速，以至于各种网络训练、建构等小技巧层出不穷，研究者们一直在向着更快、更准的方向前进。

基于这样的背景，yolo v4 就是集技巧之大成者，调参之经典例。换句话说，就是将期间发展的各种深度学习 trick 加入到已立的大厦中。

yolo v5 似乎也有做了类似的事情。

如果简单概括地话，可以认为 yolo v4 是理论的集大成者， yolo v5 则是算法落地实现的实施者。

这也是为什么把两者放到了一个博客中。

4.2 从 YOLO v4

4.2.0 整体网络

整体网络如下所示：

4.2.1 框架建构

backbone:

• CSPResNeXt50


• CSPDarknet53(√)


• EfficientNet-B3

感受野大小影响：

• 达到目标大小：模型可以感受到整个目标对象


• 达到网络大小：模型可以考虑到目标对象的临近对象


• 超过网络大小：增加图像点之间联系和增加了最后的激活作用

neck:

• SPP


• PANet

head:

• yolov3 head

4.2.2 技巧集成 (BoF, BoS)

本部分就是向框架里堆积各种先进技巧，这些技巧可以分为两类：

• bag of freebies：不增加模型复杂度，不增加推理计算量的训练方法技巧，提升模型准确度


• bag of specials：增加少许模型复杂度或计算量，显著增加模型准确度

以下 (√) 表示 yolo v4 采纳的技巧

data augmentation

• photometric distortions: Brightness, Contrast, Hue, Saturation, Noise


• geometric distortion: Scale, Crop, Flip, Rotate


• random erase, CutOut


• Blur


• Hide-and-seek, grid mask


• MixUp


• CutMix(√)


• Mosaic(√)


• style transfer GAN


• Class label smoothing 类标签平滑(√)


• Self-Adversarial Training(SAT)自对抗训练(√)

activation function

• ReLU (×)

  
  



• LReLU (×)

  
  



• PReLU (×)

  
  



• ReLU6 (×)

  
  



• SELU (×)

  
  



• hard-Swish (×)

  
  



• Leaky-ReLU (by default)

  
  



• Swish

  
  



• Mish(√)

  
  

bbox regression loss

• MSE


• IoU


• GIoU


• CIoU (√)


• DIoU

enhance receptive field

• SPP (√)


• ASPP


• RFB


• BiFPN

regularization method

• DropOut


• DropPath


• Spatial DropOut


• DropBlock(√)

normalization

• Batch Normalization(BN)


• Cross-GPU Batch Normalization(CGBN or SyncBN) ×


• Filter Response Normalization(FRN)


• Cross-Iteration Batch Normalization(CBN)


• Cross mini-Batch Noramlization(CmBN)(√)

Skip-connections

• Residual connections


• Weighted Residual connections


• Multi-input Weighted Residual connections(MiWRC)(√)


• Cross-Stage Partial connections(CSP)(√)

attention module

• channel-wise: Squeeze-and-Excitation (SE)


• point-wise: Spatial Attention Module (SAM) (√)

other methods

• Eliminate grid sensitivity(√)


• Cosine annealing scheduler(√)


• optimal hyper-parameters by genetic algorithms(√)


• modified PAN(√)


• DIoU-NMS(√)


• Dynamic mini-batch size(√)

4.3 到 YOLO v5

4.3.0 整体网络

整体网络如下所示(以yolov5n为例)：

4.3.1 框架建构

Backbone

v4 & v5
CSPDarknet

Neck

v4 & v5
SPP/SPPF
PANET

Head

v3 & v4 & v5
(80个类别 + 置信度 + 4个坐标) * 3

4.3.2 技巧集成

注意：yolo v5 现在也在持续更新中，且更新频率很快，下面一些技巧可能是暂时的

Data Augmentation

v5
Scale
Hue
CutMix
Mosaic

Auto Learning BBox Anchors

v3
通过k-means 和 遗传算法 获得

v4
无自适应锚定框

v5
基于训练数据自动学习

Activation Function

v4
Mish

v5
中间层：Leaky ReLU
检测层：Sigmoid

Optimization Function

v4
SGD

v5
较小数据集：Adam
较大数据集：SGD

Cost Function

v4
bbox regression: CIoU loss

v5
class probability score: 二进制交叉熵
objectness score: Logits
bbox regression: GIoU loss

4.4 总结

理论上来说，yolo v4 和 yolo v5 本质上只是在yolo v3 框架基础上“调参”的改进。事实上，确实会有很多人这么认为。

但无论如何，yolo v4 也好，yolo v5也罢， 相较于其前的网络都有非常明显的进步。

from：https://blog.csdn.net/deepsprings/article/details/126347319

本文来自博客园，作者：海_纳百川，转载请注明原文链接：https://www.cnblogs.com/chentiao/p/16788325.html，如有侵权联系删除