Yolov4v5的模型结构与正负样本匹配

---

from：https://blog.csdn.net/weixin_44751294/article/details/124205979

国庆几天没有更新过博客，今天开张了，新的格局开始了。

如有错误，恳请指出。

---

以下内容是学习了参考资料作的笔记，仅供参考，详细内容见参考资料。这里我主要是对yolov4和v5的模型结构记录，及其了解其正负样本匹配的方式。

另外的就是介绍一下Albumentations工具包，这是专门用于计算机视觉中数据增强的一个工具包，提高的数据增强方式比较多，使用也比较方便。

 

文章目录

• 1. Yolov4
• • 1.1 Yolov4结构
  • 1.2 训练策略
  • 1.3 正负样本匹配
• 2. Yolov5
• • 2.1 Yolov5结构
  • 2.2 训练策略
  • 2.3 正负样本匹配

 

1. Yolov4

1.1 Yolov4结构

yolov4的结构图：

 

对于yolov4，之前已经看个了paper总结了一篇笔记，这里就跳过大体部分，之前的笔记见：目标检测算法——YOLOv4。

---

1.2 训练策略

详细补充一下其消除网格信息（Eliminate grid sensitivity）的做法：

 

问题：当真实目标中心点非常靠近网格的左上角点（σ(tx)和σ(ty)应该趋近与0 或者右下角点（σ(tx))和σ(ty)应该趋近与1）时，网络的预测值需要负无穷或者正无穷时才能取到，而这种很极端的值网络一般无法达到。

对于具体的改变来说，作者是增加了一个缩放系数与偏移量，从而可以比较容易的接近0-1点，不需要无穷值才可以接近，具体公式为：

通过引入这个系数，网络的预测值能够很容易达到0或者1；一般讲scalexy设置为2，所以公式为：

这样，通过引入1缩放系数scale之后，x在同样的区间内，y的取值范围更大，偏移的范围由原来的(0, 1)调整到了(-0.5, 1.5)

 

---

1.3 正负样本匹配

在YOLOv3中针对每一个GT都只分配了一个Anchor。但在YOLOv4包括之前讲过的YOLOv3 SPP以及YOLOv5中一个GT可以同时分配给多个Anchor，它们是直接使用Anchor模板与GT Boxes进行粗略匹配，然后在定位到对应cell的对应Anchor。

• YOLOv3 SPP正负样本的匹配过程：
  

  简要分析：

1. 将每个GT Boxes与每个Anchor模板进行匹配（这里直接将GT和Anchor模板左上角对齐，然后计算IoU）
2. 如果GT与某个Anchor模板的IoU大于给定的阈值，则将GT分配给该Anchor模板，如图中的AT 2
3. 将GT投影到对应预测特征层上，根据GT的中心点定位到对应cell（图中黑色的× \times×表示cell的左上角）
4. 则该cell对应的AT2为正样本

• YOLOv4v5正负样本的匹配过程：
  

   

  简要分析：

1. 将每个GT Boxes与每个Anchor模板进行匹配（这里直接将GT和Anchor模板左上角对齐，然后计算IoU，在YOLOv4中IoU的阈值设置的是0.213）
2. 如果GT与某个Anchor模板的IoU大于给定的阈值，则将GT分配给该Anchor模板，如图中的AT 2
3. 将GT投影到对应预测特征层上，根据GT的中心点定位到对应cell（这是因为网格预测中心点的偏移范围已经调整了，不过扩展Cell时只会往上、下、左、右四个方向扩展，不会往左上、右上、左下、右下方向扩展）
4. 则这三个cell对应的AT2都为正样本

---

2. Yolov5

2.1 Yolov5结构

yolov5的结构图：

 

---

2.2 训练策略

Eliminate grid sensitivity同v4的做法，这里再记录一下yolov5的训练策略与其用到的一些数据增强：

1. Yolov5用到的一些训练策略：

• Multi-scale training(0.5~1.5x)，多尺度训练，假设设置输入图片的大小为640 × 640 640 \times 640640×640，训练时采用尺寸是在0.5 × 640 ∼ 1.5 × 640 0.5 \times 640 \sim 1.5 \times 6400.5×640∼1.5×640之间随机取值，注意取值时取得都是32的整数倍（因为网络会最大下采样32倍）。
• AutoAnchor(For training custom data)，训练自己数据集时可以根据自己数据集里的目标进行重新聚类生成Anchors模板。
• Warmup and Cosine LR scheduler，训练前先进行Warmup热身，然后在采用Cosine学习率下降策略。
• EMA(Exponential Moving Average)，可以理解为给训练的参数加了一个动量，让它更新过程更加平滑。
• Mixed precision，混合精度训练，能够减少显存的占用并且加快训练速度，前提是GPU硬件支持。
• Evolve hyper-parameters，超参数优化，没有炼丹经验的人勿碰，保持默认就好。

2. Yolov5用到的一些数据增强：

• Mosaic，将四张图片拼成一张图片
• Copy paste，将部分目标随机的粘贴到图片中，前提是数据要有segments数据才行，即每个目标的实例分割信息
• Random affine(Rotation, Scale, Translation and Shear)，随机进行仿射变换（旋转，缩放，平移，裁剪）
• MixUp，就是将两张图片按照一定的透明度融合在一起
• Albumentations，主要是做些滤波、直方图均衡化以及改变图片质量等等（
• Augment HSV(Hue, Saturation, Value)，随机调整色度，饱和度以及透明度
• Random horizontal flip，随机水平翻转

ps：这里推荐一个数据增强的工具包：Albumentations 。

• github地址：https://github.com/albumentations-team/albumentations
• docs使用文档：https://albumentations.ai/docs

其涵盖了绝大部分的数据增强方式，如下：

 

简单的使用例子：

# 使用 Albumentations 为训练和验证数据集定义转换函数
class CatsVsDogsDataset(Dataset):
    def __init__(self, images_filepaths, transform=None):
        self.images_filepaths = images_filepaths
        self.transform = transform

    def __len__(self):
        return len(self.images_filepaths)

    def __getitem__(self, idx):
        image_filepath = self.images_filepaths[idx]
        image = cv2.imread(image_filepath)
        image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)
        if os.path.normpath(image_filepath).split(os.sep)[-2] == "Cat":
            label = 1.0
        else:
            label = 0.0
        if self.transform is not None:
            image = self.transform(image=image)["image"]
        return image, label

train_transform = A.Compose(
    [
        A.SmallestMaxSize(max_size=160),
        A.ShiftScaleRotate(shift_limit=0.05, scale_limit=0.05, rotate_limit=15, p=0.5),
        A.RandomCrop(height=128, width=128),
        A.RGBShift(r_shift_limit=15, g_shift_limit=15, b_shift_limit=15, p=0.5),
        A.RandomBrightnessContrast(p=0.5),
        A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),
        ToTensorV2(),
    ]
)
train_dataset = CatsVsDogsDataset(images_filepaths=train_images_filepaths, transform=train_transform)

val_transform = A.Compose(
    [
        A.SmallestMaxSize(max_size=160),
        A.CenterCrop(height=128, width=128),
        A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),
        ToTensorV2(),
    ]
)
val_dataset = CatsVsDogsDataset(images_filepaths=val_images_filepaths, transform=val_transform)

 

可以看见，使用方法类似于pytorch的transform。这里作一个简单的对比，下面的代码是之前自定义宝可梦数据集的例子，见博文：自定义宝可梦数据集

# 对图像进行预处理
transform = transforms.Compose([
    # 转换为RGB图像
    lambda x: Image.open(x).convert('RGB'),
    # 重新确定尺寸
    transforms.Resize((int(self.resize * 1.25), int(self.resize * 1.25))),
    # 旋转角度
    transforms.RandomRotation(15),
    # 中心裁剪
    transforms.CenterCrop(self.resize),
    # 转换为Tensor格式
    transforms.ToTensor(),
    # 使数据分布在0附近
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225])
])

image = transform(image)

所以，使用的方法是类似的。不过，在Albumentations提供的数据增强方式比pytorch官方的更多，使用也比较方便。

---

2.3 正负样本匹配

这样同样类似于v4的做法，但是主要的区别在于GT Box与Anchor Templates模板的匹配方式。在YOLOv4中是直接将每个GT Box与对应的Anchor Templates模板计算IoU，只要IoU大于设定的阈值就算匹配成功。但在YOLOv5中，作者先去计算每个GT Box与对应的Anchor Templates模板的高宽比例；然后统计这些比例和它们倒数之间的最大值，这里可以理解成计算GT Box和Anchor Templates分别在宽度以及高度方向的最大差异（当相等的时候比例为1，差异最小）；接着统计宽度方向与高度方向的最大差异之间的最大值（二值取最大），即宽度和高度方向差异最大的值：

GT Box和对应的Anchor Template的rmax小于阈值anchor_t（在源码中默认设置为4.0），即GT Box和对应的Anchor Template的高、宽比例相差不算太大，则将GT Box分配给该Anchor Template模板。为了方便大家理解，可以看下画的图。假设对某个GT Box而言，其实只要GT Box满足在某个Anchor Template宽和高的× 0.25 \times 0.25×0.25倍和× 4.0 \times 4.0×4.0倍之间就算匹配成功。

 

剩下的步骤和YOLOv4中一致：

 

简要分析：

1. 将GT投影到对应预测特征层上，根据GT的中心点定位到对应Cell，注意图中有三个对应的Cell。因为网络预测中心点的偏移范围已经调整到了( − 0.5 , 1.5 ) (-0.5, 1.5)(−0.5,1.5)，所以按理说只要Grid Cell左上角点距离GT中心点在( − 0.5 , 1.5 ) (−0.5,1.5)(−0.5,1.5)范围内它们对应的Anchor都能回归到GT的位置处。这样会让正样本的数量得到大量的扩充。
2. 则这三个Cell对应的AT2和AT3都为正样本。
3. Cell时只会往上、下、左、右四个方向扩展，不会往左上、右上、左下、右下方向扩展

---

参考资料：

1. YOLOv5网络详解
2. YOLOv4网络详解
3. 目标检测算法——YOLOv4