YOLOv4: 虽迟但到，大型调优现场，43mAP/83FPS | 论文速递

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

论文地址：//arxiv.org/abs/2004.10934
论文代码：//github.com/AlexeyAB/darknet

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