yolov5部署到iPhone或終端實(shí)踐全過(guò)程一

期待已久的檢測經(jīng)典又來(lái)來(lái)了一波強襲——yolov5。其實(shí)yolov5沒(méi)有完整的文件，現在最重要的應該是把yolov4弄清楚，在目標檢測領(lǐng)域中受益匪淺，可以在某些場(chǎng)景得到較高的提升。今天我們還是給大家分享yolov4，下一期我們將實(shí)踐得將yolov5部署到蘋(píng)果手機或者在終端通過(guò)攝像頭實(shí)時(shí)檢測！

一、技術(shù)回顧

有大量的特征被認為可以提高卷積神經(jīng)網(wǎng)絡(luò )（CNN）的精度。需要在大型數據集上對這些特征的組合進(jìn)行實(shí)際測試，并對結果進(jìn)行理論驗證。某些功能只對某些模型進(jìn)行操作，某些問(wèn)題只對某些模型進(jìn)行操作，或只對小規模數據集進(jìn)行操作；而某些功能（如批處理規范化和剩余連接）則適用于大多數模型、任務(wù)和數據集。本文假設這些通用特征包括加權剩余連接（WRC）、跨階段部分連接（CSP）、跨小批量規范化（CmBN）、自對抗訓練（SAT）和Mish激活。本文使用了新功能：WRC、CSP、CmBN、SAT、誤激活、馬賽克數據增強、CmBN、DropBlock正則化和CIoU丟失，并將其中一些功能結合起來(lái)，以達到以下效果：43.5%的AP（65.7%的AP50）用于MS COCO數據集，在Tesla V100上以65 FPS的實(shí)時(shí)速度。

二、創(chuàng )新點(diǎn)分析

 Mosaic數據增強

把四張圖拼成一張圖來(lái)訓練，變相的等價(jià)于增大了mini-batch。這是從CutMix混合兩張圖的基礎上改進(jìn)；

Self-Adversarial Training

在一張圖上，讓神經(jīng)網(wǎng)絡(luò )反向更新圖像，對圖像做改變擾動(dòng)，然后在這個(gè)圖像上訓練。這個(gè)方法，是圖像風(fēng)格化的主要方法，讓網(wǎng)絡(luò )反向更新圖像來(lái)風(fēng)格化圖像。

Self-Adversarial Training (SAT) also represents a new data augmentation technique that operates in 2 forward backward stages. In the 1st stage the neural network alters the original image instead of the network weights. In this way the neural network executes an adversarial attack on itself, altering the original image to create the deception that there is no desired object on the image. In the 2nd stage, the neural network is trained to detect an object on this modified image in the normal way.

Cross mini-batch Normal

CmBN表示CBN修改的版本，如下圖所示，定義為 Cross mini-Batch Normalization(CMBN)。這只收集單個(gè)批次內最小批次之間的統計數據。

modify SAM

從SAM的逐空間的attention，到逐點(diǎn)的attention；修改的PAN，把通道從相加（add）改變?yōu)閏oncat。

 實(shí)驗 

以數據增強方法為例，雖然增加了訓練時(shí)間，但可以讓模型泛化性能和魯棒性更好。例如下面的常見(jiàn)增強方法：

圖像擾動(dòng)，

改變亮度、對比對、飽和度、色調

加噪聲

隨機縮放

隨機裁剪（random crop）

翻轉

旋轉

隨機擦除（random erase）

Cutout

MixUp

CutMix

通過(guò)實(shí)驗看得出，用了很多tricks，簡(jiǎn)直就是目標檢測最強萬(wàn)花筒，下表是對分類(lèi)網(wǎng)絡(luò )的實(shí)驗：

CSPResNeXt-50 classifier accuracy

CSPDarknet-53 classifier accuracy

在YOLOv4檢測網(wǎng)絡(luò )上，對比了四個(gè)loss（GIoU、CIoU、DIoU、MSE），標簽平滑，Cosine學(xué)習率，遺傳算法選超參數，Mosaic數據增強等各種方法。下表是YOLOv4檢測網(wǎng)絡(luò )上的消融實(shí)驗結果：

CSPResNeXt50-PANet-SPP, 512x512

使用不同與訓練權重模型用于訓練：

不同的mini-batch size結果：

最后，是在Maxwell、Pascal、Volta三個(gè)不同系列的GPU，在COCO 數據集上的結果對比：

最勁爆的是，在COCO數據集，與其他框架比較（速度和精度）：

下一期，我們一起來(lái)看看怎么將yolov5部署到移動(dòng)端或者終端通過(guò)攝像頭進(jìn)行目標實(shí)時(shí)檢測！