yolo优势（YOLOX优点介绍与解析，详细易懂。）

优点1：主干网络（CSPDarknet）加入Fcous结构

主干网络加入Fcous结构             ，将图片宽高信息缩小
  
 
  
 
  
 
  
 
  
 
  
 
 ，减小参数量












，提升网络计算速度

Fcous结构:将输入的图片先经过Fcos结构对图片进行每隔一个像素取出一个值 
  
  
  
  
  
  ，得到四个特征层
  
  
  
  
  
  
 ，然后再进行concat             。从而图片宽高的信息缩小
 


 


 


 


 


 


，通道数增加
  
 
  
 
  
 
  
 
  
 
  
 
 。在原始信息丢失较少的情况下 
 
 
 
 
 
 ，减小了参数量（由于fcous替代了两层卷积与一层bottleneck）

图 1 Fcous示意

优点2：主干网络的激活函数替换为silu激活函数

silu函数相比于rule非线性能力更强
   
   
   
   
   
   
 ，解决了rule当有负数输入输出为0
 

 

 

 

 

 

，发生梯度弥散的缺点












。同时继承了relu收敛更快的优点 
  
  
  
  
  
  。

silu函数=x*sigmoid(x) 

 

 

 

 

 

 ，是relu与sigmoid的结合
  
  
  
  
  
  
 。可以看做是一个平滑的Relu             ，对比来看

 
 

 
 

 
 

 
 

 
 

 
 

，silu解决了relu具有负数输入输出为0的缺点











，不会发生梯度弥散的问题
 


 


 


 


 


 


。

（上层神经元通过加权求和                    ，得到输出值
 
 
 
 
 
 
 
 
 
 
 
 
，然后被作用一个激活函数


















，得到下一层的输入值 
 
 
 
 
 
 。引入激活函数的目的是为了增加神经网络的非线性拟合能力
   
   
   
   
   
   
 。）

(被fcous处理后的feature map会被用silu激活函数的             ，残差卷积层进行卷积
  
 
  
 
  
 
  
 
  
 
  
 
 ，卷积后进入

CSPLayer
 

 

 

 

 

 

。)

图 2 silu激活函数

优点3：主干网络沿用CSP结构

CSPLayer：内部的主要特征提取利用残差结构












，但csplayer将feature map分为两部分 
  
  
  
  
  
  ，一部分进入残差块
  
  
  
  
  
  
 ，与瓶颈结构
 


 


 


 


 


 


，特征提取 
 
 
 
 
 
 ，另一部分与特征提取后的feature map进行concat操作从而进行信息融合 

 

 

 

 

 

 。（需要注意从代码上
   
   
   
   
   
   
 ，part1与part2是一样的输入）

图 3 CSPLayer结构与源码

优点4：主干倒数第二层为SPPbottleneck（空间金字塔池化）

这里的SPPneck主要通过不同大小的池化核
 

 

 

 

 

 

，对图像进行池化 

 

 

 

 

 

 ，增大网络感受野             ，提取更多的特征             。

图 4  空间金字塔池化公式

图 5 SPPneck（空间金字塔池化）

总而言之

 
 

 
 

 
 

 
 

 
 

 
 

，主干网络卷积层的主要作用是特征提取与特征融合











，相比于之前的YOLO版本                    ，更换激活函数带来了一些非线性能力的提升

 
 

 
 

 
 

 
 

 
 

 
 

。在主干网络中加入SPPneck增大了网络感受野











。

优点5：特征利用层（FPN层）

在特征利用部分
 
 
 
 
 
 
 
 
 
 
 
 
，YoloX提取多特征层进行目标检测


















，一共提取三个特征层                    。

三个特征层位于主干部分CSPdarknet的不同位置             ，分别位于中间层
  
 
  
 
  
 
  
 
  
 
  
 
 ，中下层












，底层 
  
  
  
  
  
  ，当输入为(640,640,3)的时候
  
  
  
  
  
  
 ，三个特征层的shape分别为feat1=(80,80,256)             、feat2=(40,40,512)
  
 
  
 
  
 
  
 
  
 
  
 
 、feat3=(20,20,1024)
 
 
 
 
 
 
 
 
 
 
 
 
。

第一条的路径：主干卷积(20,20,1024)特征图上采样
 


 


 


 


 


 


，与主干卷积(40,40,512)特征图进行concat和卷积下采样 
 
 
 
 
 
 ，融合信息与进一步特征提取得到merge_01


















。

第二条路径：merge_01通过1x1卷积降通道上采样与主干(80,80,256)concat和卷积下采样得到(80,80,256)大小的merge_02输出到YOLOHead_01（个人理解该层的特征偏向（80,80）的特征图）

第三条路径：merge02下采样与merge01进行concat与卷积下采样操作得到(40,40,512)的(40,40,512)大小的merge_03输出到YOLOHead_02（个人理解该层的特征偏向（40,40）的特征图）

第四条路径：merge_03下采样与主干卷积到(20,20,1024)的特征图进行concat与卷积下采样操作
   
   
   
   
   
   
 ，得到(20,20,1024)的merge_04输出到YOLOHead_03（个人理解该层的特征偏向（20,20）的特征图）

总结：FPN层对3个维度的特征图进行了融合
 

 

 

 

 

 

，但是每个输出都有一定的侧重 

 

 

 

 

 

 ，为了对不同尺度的目标有更好的检测效果             。

优点6：YOLOHead(解耦头)

YOLOV3中最后的回归框与置信度在1*1的卷积中一起实现             ，而在YOLOX通过解耦头

 
 

 
 

 
 

 
 

 
 

 
 

，分别将置信度与回归框分别实现











，在预测时合为一体
  
 
  
 
  
 
  
 
  
 
  
 
 。

Reg(h,w,4)用于判断每一个特征点的回归参数                    ，回归参数调整后可以获得预测框












。 Obj(h,w,1)用于判断每一个特征点是否包含物体 
  
  
  
  
  
  。 Cls(h,w,num_classes)用于判断每一个特征点所包含的物体种类
  
  
  
  
  
  
 。 通道数即为需要预测的个数
 
 
 
 
 
 
 
 
 
 
 
 
，每个通道代表一个结果
 


 


 


 


 


 


。

将三个预测结果进行堆叠


















，每个特征层获得的结果为：

Out(h,w,4+1+num_classses)前四个参数用于判断每一个特征点的回归参数             ，回归参数调整后可以获得预测框；第五个参数用于判断每一个特征点是否包含物体；最后num_classes个参数用于判断每一个特征点所包含的物体种类 
 
 
 
 
 
 。

将检测头解耦相对于YOLOV3检测头直接融合out输出而言
  
 
  
 
  
 
  
 
  
 
  
 
 ，无疑会增加运算的复杂度












，但是作者最终使用 1个1x1 的卷积先进行降维 
  
  
  
  
  
  ，并在分类和回归分支里各使用了 2个3x3 卷积
  
  
  
  
  
  
 ，最终调整到仅仅增加一点点参数
   
   
   
   
   
   
 。解耦操作从逻辑上
 


 


 


 


 


 


，对一个任务的精度而言有着绝对优势 
 
 
 
 
 
 ，缺点是在于增加运算的复杂程度
 

 

 

 

 

 

。如何平衡性能与速度则是解耦方法是否优秀的关键 

 

 

 

 

 

 。

优点7：网格点操作与解码操作

解码目标：由yolox中的decoupled_head输出后concat的形状为（（numcls+5）*8400）的网格点图             。

经过concat与维度转换的网格点
   
   
   
   
   
   
 ，每一行都是代表着一个预测框信息的（numcls












、中心点与宽高 
  
  
  
  
  
  、判断该预测点是否有物体的obj）的anchorpoint

解码主要解码中心点坐标
 

 

 

 

 

 

，以及宽高（x,y,h,w）

 
 

 
 

 
 

 
 

 
 

 
 

。

解码中心点坐标是通过torch.meshgrid生成网格数据为网格点的行列索引 

 

 

 

 

 

 ，将中心点的偏移量x             ，y加上索引号再乘上缩放倍数











。即可解码还原到原图                    。具体操作为：outputs[..., :2] = (outputs[..., :2] + grids) * strides

解码宽高w

 
 

 
 

 
 

 
 

 
 

 
 

，h则是通过output输出宽高部分直接乘以步长再求对数获得
 
 
 
 
 
 
 
 
 
 
 
 
。具体操作为：

outputs[..., 2:4] = torch.exp(outputs[..., 2:4]) * strides

优点8：SimOTA（动态样本匹配）

SimOTA主要的作用是为每个正样本（网络输出预测框）分配一个GT框











，让正样本去拟合该GT框


















。从而替代之前的anchor方案去拟合anchor                    ，从而实现anchor free

一
  
  
  
  
  
  
 、通过中心先验（GT框）确定fixed center area的范围fixed center area中的anchorpoint即为初筛正样本             。

首先将3个维度特征图合成的网格点中的所有anchorpoint进行反算到原图（得到一堆框）
  
 
  
 
  
 
  
 
  
 
  
 
 。 再将这些框的中心点与GT框相对原图的坐标












。可以得到在GT框内的anchorpoint的序号 
  
  
  
  
  
  。 此时每个gt的中心点向外扩展2.5*expanded_strides距离得到fixed center area
 
 
 
 
 
 
 
 
 
 
 
 
，与anchor进行比较


















，再找到在fixed center area内的anchorpoint即得到初筛的正样本
  
  
  
  
  
  
 。这里通过一个mask的方式将GT框内部的anchorpoint保留置为true其余为false
 


 


 


 


 


 


。以方便下一步骤的计算 
 
 
 
 
 
 。

二
 


 


 


 


 


 


、将所mask内的anchorpoint都与对应的GT框进行cost代价矩阵计算
   
   
   
   
   
   
 。同时计算iou             ，获得dynamic_k（Cost代价矩阵由：cls_loss和rge_loss组成：cij​=Lijcls​+λLijreg+100000*~is_in_boxes_and_center
 

 

 

 

 

 

。）

首先取出每个GT框对应的前10个iou值
  
 
  
 
  
 
  
 
  
 
  
 
 ，将这些iou值加在一起求和取整 

 

 

 

 

 

 。则获得了该GT框的dynamic_k             。这个值的作用是动态的为每个GT框分配多少个anchorpoint

 
 

 
 

 
 

 
 

 
 

 
 

。在训练初期可能dynamic_k为1（由于训练初期iou较小） 根据dynamic_k动态给GT框分配anchorpoint个数











。取出前dynamic_k个cost值最低的anchorpoint进行下一步操作                    。另外在计算这些cost时不在中心区域(fixed center area)里的anchorpoint会被乘上一个十万的系数提高cost值
 
 
 
 
 
 
 
 
 
 
 
 
。 如果出现一个anchorpoint分配给了两个GT框












，就会对该anchorpoint的两个GT框cost值进行比较 
  
  
  
  
  
  ，anchorpoint会被分配给cost更低的框


















。 把去重后每个GT框取到的anchorpoint做对应的损失计算             。

优点9：损失计算

1.Reg部分
  
  
  
  
  
  
 ，利用真实框和预测框计算IOU损失
 


 


 


 


 


 


，作为Reg部分的Loss组成
  
 
  
 
  
 
  
 
  
 
  
 
 。

2.Obj部分 
 
 
 
 
 
 ，所有真实框对应的特征点都是正样本
   
   
   
   
   
   
 ，剩余的特征点均为负样本
 

 

 

 

 

 

，根据正负样本和特征点的是否包含物体的预测结果计算交叉熵损失 

 

 

 

 

 

 ，作为Obj部分的Loss组成












。

3.Cls部分             ，计算交叉熵损失

 
 

 
 

 
 

 
 

 
 

 
 

，作为Cls部分的Loss组成 
  
  
  
  
  
  。

4.损失公式如下：

其中Lcls代表分类损失；

Lreg代表定位损失；

Lobj代表obj损失；

λ代表定位损失的平衡系数源码中设置是5.0；

Npos代表被分为正样的Anchor Point数；

感谢对本文有所帮助的人们！！

睿智的目标检测53——Pytorch搭建YoloX目标检测平台_Bubbliiiing的博客-CSDN博客

YOLOX之函数dynamic_k_matching解析 - 知乎 dynamic_k_match源码解析

yolox Head-Decoupled head源码解读_Mr.Q的博客-CSDN博客_yolox的head部分 yolo_head.py源码解析