YOLOX论文解读-编程知识

paper：YOLOX: Exceeding YOLO Series in 2021

official implementation：https://github.com/Megvii-BaseDetection/YOLOX

本文的创新点

本文在YOLOv3的基础上进行了一些改进：包括将检测头进行解耦的decoupled head、从anchor-based转为anchor-free、标签分配使用OTA的简化版本SimOTA，提出了YOLOX，在large-scale和light-weight模型方面都取得了SOTA的结果，如图1所示。

YOLOX

YOLOX-DarkNet53

Implementation details 训练设置从baseline到最终的模型基本是一致的。我们在COCO train2017上总共训练了300个epoch，包括5个epoch的warm-up。优化器选择SGD。使用 \(lr\times Batchsize/64\) 的学习率，初始 \(lr=0.01\) 和cosine lr schedule。weight decay大小为0.0005，SGD momentum为0.9。对于8-GPU的设置，batch size默认为128。输入大小以步长32均匀的从448到832。本文中FPS和lantency都是在Tesla V100上以FP16精度和batch=1进行测量。

YOLO v3 baseline baseline采用DarkNet-53和SPP层的YOLOv3。与原来的实现相比，作者稍微改变了一些训练策略，增加了EMA权重更新、余弦学习衰减策略、IoU损失和IoU-aware分支。用BCE loss训练 \(cls\) 和 \(obj\) 分支，用IoU loss训练 \(reg\) 分支。这些通用的训练技巧与YOLOX的关键改进是orthogonal的关系，因此把它们放到了baseline上。此外，我们只进行随机水平翻转RandomHorizontalFlip、颜色抖动ColorJitter和多尺度multi-scale的数据增强，并丢弃了RandomResizedCrop，因为作者发现RandomResizedCrop和mosaic增强有一些重叠。通过这些增强，baseline在COCO val上得到了38.5% AP，如表2所示。

Decoupled head 在目标检测中，分类和回归任务之间的conflit是一个众所周知的问题，因此解耦头decoupled head被广泛用于大多数one-stage和two-stage检测模型中。但YOLO系列骨干网络和特征金字塔不断进化，检测头却仍然是coupled，如图2所示。

两个分析实验表明coupled head可能会损害性能。1）用decoupled head代替coupled head，大大提高了收敛速度，如图3所示。2）decoupled head对end-to-end版本的YOLO至关重要（后面会详述）。

从表1可以看出，耦合头的端到端版本AP下降了4.2，而解耦头只下降了0.8。因此我们将coupled head换成了decoupled head，如图2所示。具体而言，它包含一个1x1卷积层用来降低通道维度，两个平行分支中各有两个3x3卷积层。从表2可以看出，decoupled head带来了额外1.1ms的推理时间（11.6ms v.s. 10.5ms）。

Strong data augmentation 我们添加了Mosaic和MixUp到数据增强策略中来提高YOLOX的性能。Mosaic是ultralytics-YOLOv3提出的一种有效的数据增强策略，后续被广泛用于YOLOv4、YOLOv5和其它检测模型中。MixUp最初是为图像分类设计的，后来在BoF中修改用于目标检测训练。在我们的模型中，我们使用了Mosaic和MixUp，并在最后15个epoch关闭它们，得到了42%的AP，如表2所示。在使用了更强的数据增强后，我们发现ImageNet预训练不再有用，因此接下来的模型我们全部都从头训练。

Anchor-free YOLOv4和YOLOv5都遵循了YOLOv3最初基于anchor的pipeline。然而，anchor机制存在许多问题。首先，为了达到最优检测性能，需要在训练前进行聚类分析以确定一组最优anchor，这些anchor是特定于领域的并且泛化性较差。其次，anchor机制增加了检测head的复杂性以及每张图片的预测数量。在一些边缘AI系统中，在设备之间（例如从NPU到CPU）移动如此大量的预测可能成为总体延迟的潜在瓶颈。

Anchor-free机制在过去两年发展迅速，这些工作表明，anchor-free检测模型的性能可以达到anchor-based模型的相同水平。Anchor-free机制显著减少了为了获得好的性能需要的启发式调优和相关trick的设计参数（比如Anchor Clustering, Grid Sensitive），使得检测模型，特别是训练和解码阶段变得非常简洁。

将YOLO转换到anchor-free的方式非常简单，我们将每个位置的预测数量从3减为1，并直接预测四个值，即相对网格左上角的两个偏移和预测框的宽高。我们将每个对象的中心位置指定为正样本，并像FCOS一样预先定义一个尺度范围来指定每个对象所属的FPN层级。这种修改减少了检测模型的参数和GFLOPs使其更快，并取得了更高的性能 - 42.9% AP，如表2所示。

Multi positives 为了和YOLOv3的分配规则一致，上述anchor-free的版本只为每个对象分配了一个正样本（中心位置），但同时忽略了其它高质量的预测。但是，优化这些高质量的预测也会带来有益的梯度，这可能会缓解训练过程中正负样本的极端不平衡。因此我们将中心3x3区域分配为正样本，这在FCOS中被称为"center sampling"。如图2所示，检测模型的性能提升到了45.0% AP，已经超越了目前最好的ultralytics-YOLOv3（44.3% AP）。

SimOTA 先进的标签分配方法是近年来目标检测领域的另一项重要进展。基于我们自研的OTA，我们总结了先进标签分配的四个关键点：1）loss/quality aware 损失/质量感知的，2）center prior 中心先验，3）每个ground-truth动态的positive anchor数量（简写为动态top-k），4）global view 全局视野。OTA同时满足了上述四条，因此我们选择它作为候选标签分配策略。关于OTA的具体介绍见OTA: Optimal Transport Assignment for Object Detection 原理与代码解读-CSDN博客

具体来说，OTA从全局角度来分析标签分配，并将分配过程定义为一个最优传输问题（Optimal Transport, OT）,在现有的分配策略中取得了SOTA的性能。但是我们发现通过Sinkhorn-Knopp算法解决OT问题导致训练时长增加了25%，对于训练300个epoch来说代价很大。因此我们将其简化为动态top-k策略，成为SimOTA，以得到一个近似解。

SimOTA首先计算每对prediction-gt的匹配程度，即cost。SimOTA中，gt \(g_{i}\) 和预测 \(p_j\) 之间的cost计算如下

其中 \(\lambda\) 是平衡系数，\(L_{ij}^{cls}\) 和 \(L_{ij}^{reg}\) 分别是 \(g_{i}\) 和 \(p_j\) 的分类损失和回归损失。然后对于 \(g_{i}\)，我们在一个固定的中心区域内选择cost最小的 \(k\) 个预测作为它的正样本。最后，这些positive预测对应的网格grid划分为正样本，其余的grid作为负样本。注意对于不同ground-truth，\(k\) 值也不同，具体可以参考OTA中的Dynamic \(k\) Estimation策略。

SimOTA不仅减少了训练时间，而且避免了inkhorn-Knopp算法中额外的超参。如表2所示，SimOTA将模型的AP从45.0%提升到47.3%，比SOTA的ultralytics-YOLOv3高了3.0%，显示出了先进标签分配策略的作用。

End-to-end YOLO 作者遵循《Object detection made simpler by eliminating heuristic nms》的方法额外添加了两个卷积层，一对一的标签分配，停止梯度。这使模型可以端到端的执行检测，但会略微降低性能和推理速度，如表2所示。作者这里将它作为一个可选的模块，并不包含在最终的模型中。

Other Backbones

除了DarkNet53，作者还在其它不同大小的backbone上测试了YOLOX，都得到了提升。

Modified CSPNet in YOLOv5 为了公平比较，我们采用了YOLOv5的backbone，包括改进的CSPNet，SiLU激活，和PAN检测头。我们还仿照其缩放规则得到了YOLOX-S，YOLOX-M，YOLOX-L和YOLOX-X。如表3所示，和YOLOv5相比，我们的模型得到了一致的提升，~3.0%到~1.0%，只增加了少量的时间（来自于decoupled head）。

Tiny and Nano Detectors 我们进一步缩小得到了YOLOX-Tiny从而可以和YOLOv4-Tiny进行比较。对于移动设备，我们采用深度构建了YOLOX-Nano，该模型只有0.91M的参数和1.08G的FLOPs。如表4所示，YOLOX在更小的模型上也表现良好。

Model size and data augmentation 在我们的实验中，所有的模型都使用了相同的learning schedule和优化参数。但我们发现，对不同大小的模型，合适的数据增强策略也不同。如表5所示，对YOLOX-L应用MixUp可以提高0.9% AP，对小模型最好减小数据增强的强度。具体来说，当训练小模型（YOLOX-S, YOLOX-Tiny, YOLOX-Nano）时，我们去掉了mix-up并削弱了mosaic（尺度范围从[0.1, 2.0]变成[0.5, 1.5]）。这将YOLOX-Nano的AP从24.0%提高到了25.3%。

对于大模型，我们发现更强的数据增强更有帮助。实际上，我们的MixUp实现比原始实现heavier一些。受Copypaste（具体介绍见Copy-Paste（CVPR 2021）原理与代码解析-CSDN博客）的启发，在mixup之前，我们对两张图片都进行了抖动，抖动的比例因子是随机采样的。为了理解Mixup结合scale jittering的表现，我们将其与YOLOX-L上的Copypaste进行比较，注意到Copypaste需要额外的instance mask标注而MixUp不需要。但如表5所示，这两种方法获得了差不多的精度，表明当没有实例掩码标注时，MixUp结合scale jittering是CopyPaste的合格替代品。