全面解读YOLO的“鸿星尔克”版本

关注 机器学习算法工程师

设为 星标，干货直达！

近期旷视团队发布了YOLOX系列模型，在同等条件下YOLOX在COCO数据集上效果要超过YOLOV5，而且代码和模型细节报告都已经发布。这里根据公布的论文以及开源的代码来解读YOLOX。

从YOLOv3开始

YOLOX选取的baseline模型为Darknet53-YOLOv3模型，并和YOLOv4和YOLOv5一样增加了 SPP layer。相比原始的YOLOv3模型，训练策略增加了EMA，学习速率采用cosine lr schedule。另外在loss上，cls和obj分支还是采用BCE，但是reg分支采用IoU loss。数据增强方面，采用RandomHorizontalFlip和ColorJitter，但没有采用RandomResizedCrop（此策略和后面要加入的mosaic augmentation重复），另外采用了multi-scale训练策略，模型的输入从448到832（只取32的整数倍数值），测试时的输入为640。模型训练采用momentum（0.9）SGD，学习速率为（线性规则），默认训练的batch size为128（8GPUs），训练的epoch为300，前5个epoch是warmup。这样得到的baseline模型在coco17val上AP为38.5，低于YOLOv3-ultralytics版本的44.3。

Decoupled head

YOLO模型的cls，obj和reg都是在同一个卷积层来预测，但其实其它的one-stage检测模型其实都采用decoupled head（这个其实是从RetinaNet开始的，后面的FCOS和ATSS都沿用），即将分类和回归任务分开来预测，因为这个两个任务其实是有冲突的。论文中做的第一个改进就是将YOLO改成了decoupled head，对于输入的FPN特征，首先通过1x1卷积将特征维度降低到256，然后分成两个并行的分支，每个分支包含2个3x3卷积，其中分类分支预测cls，而回归分支预测reg和obj（图中显示的是IoU分支，但实际上从代码来看和原始YOLO一样都是obj，不过按YOLO的本意其实obj里面也包含了定位准确性)。与RetinaNet不同的是，head在各个FPN特征是不共享的，这只会增加参数量，但不会影响速度，不过好在head是轻量级的。从论文的实验结果来看，改为decoupled head后，模型收敛速度更好，性能也有一定提升（+1.1）。另外论文也将YOLO改成了End-to-end YOLO版本，即参考论文Object Detection Made Simple