济宁网站建设云科网络,wordpress幻灯片简码,网站建设一般考虑哪些因素,宜宾网站开发公司PP-YOLO系列#xff0c;均是基于百度自研PaddlePaddle深度学习框架发布的算法#xff0c;2020年基于YOLOv3改进发布PP-YOLO#xff0c;2021年发布PP-YOLOv2和移动端检测算法PP-PicoDet#xff0c;2022年发布PP-YOLOE和PP-YOLOE-R。由于均是一个系列#xff0c;所以放一起解… PP-YOLO系列均是基于百度自研PaddlePaddle深度学习框架发布的算法2020年基于YOLOv3改进发布PP-YOLO2021年发布PP-YOLOv2和移动端检测算法PP-PicoDet2022年发布PP-YOLOE和PP-YOLOE-R。由于均是一个系列所以放一起解读方便对比前后改进地方。 PP-YOLO系列算法解读
PP-YOLO算法解读PP-YOLOv2算法解读PP-PicoDet算法解读PP-YOLOE算法解读PP-YOLOE-R算法解读
YOLO系列算法解读
YOLOv1通俗易懂版解读SSD算法解读YOLOv2算法解读YOLOv3算法解读YOLOv4算法解读YOLOv5算法解读 文章目录 1、算法概述2、PP-YOLOv2细节3、实验3.1 消融实验3.2 与其他检测算法比较3.3 不起作用的trick PP-YOLOv2(2021.4.21)
论文PP-YOLOv2: A Practical Object Detector 作者Xin Huang, Xinxin Wang, Wenyu Lv, Xiaying Bai, Xiang Long, Kaipeng Deng, Qingqing Dang, Shumin Han, Qiwen Liu, Xiaoguang Hu, Dianhai Yu, Yanjun Ma, Osamu Yoshie 链接https://arxiv.org/abs/2104.10419 代码https://github.com/PaddlePaddle/PaddleDetection 1、算法概述
基于现有的改进trick在保持推理时间基本不变的情况下尽量提升PP-YOLO的mAP指标。通过结合多种有效的改进作者将PP-YOLO在COCO2017test-dev数据集中的性能从45.9%mAP提高到49.5%mAP。PP-YOLOv2在640x640输入尺寸下运行速率为68.9FPS。如果将模型转换为TensorRT并且以FP16的推理精度在batchsize为1的情况下推理速度可以提升至106.5FPS远远超越了相同参数量下的YOLOv4-CSP和YOLOv5l。另外如果用ResNet101作为PP-YOLOv2的主干网络在COCO2017test-dev集上的mAP可达到50.3%mAP。和其他算法mAP及FPS指标对比如图 2、PP-YOLOv2细节
论文通篇看下来改进的地方不多都是借助现有trick在PP-YOLO基础上改主要改的地方还是集中在Neck和head部分直接看网络结构图 改进的地方如下
Path Aggregation Network 直接翻译叫路径增强网络用于加强不同层特征图进行融合。PP-YOLO中neck部分仅仅使用了FPN特征融合还不够现在增强特征金字塔融合的子网络有很多比如BiFPNPANRFP等等参考YOLOv4,PP-YOLOv2也在neck部分使用了PAN。Mish Activation Function YOLOv4和YOLOv5中都使用了Mish激活函数用于提升检测器的性能但是它们是在主干网络中使用的。我们为了保持强大的主干预训练模型不变所以只在neck部分使用mish激活函数。Larger Input Size 输入尺寸由608变到768多尺度训练变换集为[320,352,384,…,704,736,768]IoU Aware Branch 改进IoU感知分支的损失计算方式PP-YOLO是以软权重方式计算这里改为以软标签形式计算损失 其中t代表anchor和匹配到的gt框的IoU大小p是IoU感知分支的预测输出σ代表sigmoid激活函数。注意这里只有正样本的anchor才参与损失的计算。通过这个改进IoU感知分支比上一个版本工作得更好。 3、实验
3.1 消融实验
同PP-YOLO一样作者对如上改进实验做了消融实验以得到改进措施对应提升多少mAP实验结果如下 从表中可以看出提升最大的还是从A-B增加neck部分的特征融合及改进激活函数直接提升2%mAP虽然增加收入尺寸可以提升少许mAP但这是以减少FPS为代价的改进IoU感知分支在不影响推理速度的情况下也可以直接带来近1%mAP的提升。
3.2 与其他检测算法比较
PP-YOLOv2与现如今最新检测算法在COCO数据集上的mAP比较如下表所示。 从表中可以看出PP-YOLOv2和YOLOv4、YOLOv5比较相近FPS情况下mAP都好于后者。
3.3 不起作用的trick
Cosine Learning Rate Decay 由于余弦学习率衰减策略对初始学习率、预热步数和结束学习率等超参数敏感所以作者没有采用这种方式。Backbone Parameter Freezing 在对下游任务的ImageNet预训练参数进行微调时通常在前两个阶段冻结参数。作者在COCO minitrain数据集上确实提升了1%mAP但在COCOtrain2017上下降了0.8%mAP所以作者最终没有冻结训练backbone参数。SiLU激活函数 在neck部分采用SiLU激活函数会不如Mish激活函数。
