目录

• 论文主要信息
• 文章概要
• 背景
• YOLOX-DarkNet53
  • 实现细节
  • YOLOv3 baseline
  • Decoupled head
    • 实验
    • 思路
    • story
  • Strong data augmentation
  • Anchor-free
  • multi positives
  • SimOTA
  • End-to-end(NMS-free) YOLO
  • 消融实验
• 性能对比
  • YOLOX-L
  • YOLOX-Tiny & YOLOX-Nano
  • Model size V.S. Data augmentation
  • SOTA
• 参考链接

论文主要信息

• 标题：YOLOX: Exceeding YOLO Series in 2021
• 作者：Zheng Ge，Songtao Liu，Feng Wang，*g Li，Jian Sun
• 机构：Megvii Technology
• 链接：https://arxiv.org/abs/2107.08430
• 代码：https://github.com/Megvii-BaseDetection/YOLOX

文章概要

• 集成decoupled head、SimOTA、anchor-free、NMS-free等strategy
• 比赛第1名：仅使用YOLOX-L，获得CVPR2021的Workshop on Autonomous Driving的第1名，详见原paper
• 部署代码：ONNX、TensorRT、NCNN和Openvino

背景

• YOLOv5性能最优：48.2% AP on COCO at 13.7 ms

• 过去两年的major advance

  方向	方法
  anchor-free detectors	FCOS、CenterNet、CornerNet
  advanced label assignment strategies	Freeanchor、ATSS、PAA、Autoassign、IQDet、OTA
  end-to-end (NMS-free) detectors	DETR、End-to-end object detection with fully convolutional network、PSS

• 问题：过去两年的major advance未被集成到YOLO系列，YOLOv4和v5仍然是anchor-based、训练时仍使用hand-crafted assigning rules

• insight：对于anchor-based pipeline，YOLOv4和v5可能有点over-optimized

• baseline：YOLOv3-SPP（Darknet53）

YOLOX-DarkNet53

实现细节

• consistent settings：从baseline到final model的训练设置mostly一致

• epoch：300个epoch，5个epoch的warm up

• 数据集：COCO train2017

• 优化器：SGD，momentum 0.9

• weight decay：0.0005

• 学习率：lr×BatchSize/64（linear scaling），lr=0.01，cosine lr schedule

• batch size：128 for 8-GPU

• input size：448 to 832 with 32 strides

• inference setting：FP16-precision，batch=1，single Tesla V100

YOLOv3 baseline

• baseline：YOLOv3-SPP
• 改动：添加EMA weights updating、cosine lr schedule、IoU loss、IoU-aware branch（这些trick和YOLOX带来的improvement是orthogonal的，因此把这些trick放在baseline中）
• 数据增强：使用RandomHorizontalFlip、ColorJitter、multi-scale，放弃RandomResizedCrop（因为它和mosaic augmentation有些重合）
• 性能：COCO val上AP达到38.5%，详见消融实验

笔者认为，在选baseline的时候，应该具备至少两点：性能还不错，用的trick还少。像常用的RetinaNet，基本就是随手造的一个普通模型，纯为focal loss服务的，几乎没加太多trick，这样的工作就很适合用来验证我们自己改进出来的东西是否好用。

有的时候trick用得太多，自己的东西加上去不但不涨点，还掉点。但要注意，这个时候不一定是你的东西有问题，很可能是和哪一个trick冲突了。

——引自《目标检测》-第24章-YOLO系列的又一集大成者：YOLOX！ - 知乎 (zhihu.com)

这篇知乎文章不错，建议再次阅读。

Decoupled head

• 问题：在OD中，classification任务和regression任务之间存在conflict

实验

以下2个实验说明，coupled head会损害性能：

• 使用decoupled head替换coupled head会提高收敛速度，如下图（图3）所示

• decoupled head对end-to-end版本的YOLO很重要，如下表（表1）所示。如果使用coupled head，从YOLO转为End-to-end YOLO后AP下降4.2，而如果使用decoupled head则AP只下降0.8

思路

YOLO在FPN自顶向下路径上的3个level（P5、P4、P3，通道数分别为1024、512、256）上进行detection

• coupled head：通过卷积直接得到最终的1个输出，形状为[H, W, n_anchor×(C+4+1) ]，其中cls（预测是C个类别中的哪一个类）占用C个通道、reg（坐标）占用4个通道、obj（区分是前景背景）占用1个通道。
• decoupled head：先用1个1×1卷积层把通道数减少到256，然后用2个并行分支（每个分支包括2个3×3卷积层）分别进行regression和classification，并在regression分支上添加一个IoU分支。3个分支（cls、reg、IoU）输出的形状分别为[H,W,C]、[H,W,4]、[H,W,1]

cls分支只计算正样本分类loss。简而言之cls用于分类但不用于划分正负样本，正负样本交给obj branch做了。另外使用SimOTA之后，FCOS样本匹配阶段的FPN分层就被取消了，匹配(包括分层)由SimOTA自动完成

————《目标检测》-第24章-YOLO系列的又一集大成者：YOLOX！ - 知乎 (zhihu.com)一文中paper原作者的评论

story

我们一开始并没有计划对检测头进行解耦，而是在将 YOLOX 推进到“端到端（ 无需NMS ）”时发现，不论调整损失权重还是控制梯度回传，End2end 的 YOLOX 始终比标准的 YOLOX 低 4~5 个点（ 如 Table1 ），这与我们在 DeFCN 里获得的认知不符。偶然间我们把原始的 YOLO Head 换成 decoupled head，发现这里的差距又显著缩小了，这样的现象说明当前 YOLO Head 的表达能力可能有所欠缺。于是我们将 decoupled head 应用到了非 End2End YOLO 上，结果就如 Fig.3 的所示：不仅在峰值的性能有所提升，收敛速度也明显加快。结合之前 End2end 的实验，这两个现象充分说明 YOLO 系列一直以来使用的检测头可能是不合理的。

————如何评价旷视开源的YOLOX，效果超过YOLOv5? - 知乎 (zhihu.com)中paper原作者的回答

Strong data augmentation

• 设置：使用Mosaic（ultralytics-YOLOv3提出）和MixUp，在最后15个epoch停止
• 发现：在使用strong data augmentation之后，作者发现ImageNet预训练不再有益，因此之后的model都是train from scratch。（如何理解“之后”一词？见表2，可知作者是一个个迭代增加模块或trick的）
• 实验：见消融实验

Anchor-free

• anchor机制的问题
  • 聚类：在训练前需要通过聚类生成anchor，这些anchor是domain-specific and less generalized
  • complexity：增加了detection head的complexity；每张image中prediction的数量也增加了，而在设备间（比如从NPU到CPU）移动大量prediction的耗时可能会是个瓶颈
• anchor-free的优点：减少了需要heuristic tuning和Anchor Clustering 、Grid Sensitive等trick的参数的数量，使得decoder的training和decoding相对更简单
• anchor-free YOLO：
  • location：每个location只预测1个box并直接预测4个值（相对于网格左上角的2个offset、box的高度和宽度）
  • 正样本：将每个object的center location作为正样本
  • scale range：按照FCOS那样，预定义1个scale range，根据每个object的size将每个object分配到对应的FPN level
• 实验：见消融实验

multi positives

• 问题：对于每个object，如果只将其center location视为正样本，那就只有1个正样本而忽略了其它高质量的prediction。
• 潜力：对这些高质量prediction进行优化，可能带来beneficial gradient，这可能会缓解training过程中正/负采样的极端不平衡
• center sampling：如FSOS的center sampling，本文将每个object的center region（3×3）中的所有location作为正样本
• 实验：见消融实验

SimOTA

• label assignment应满足的4点

  • loss/quality aware
  • center prior
  • 每个GT的positive anchor的数量应该是动态的（简化为dynamic top-k）。注：“anchor”在anchor-free detector中指“anchor point”，在YOLO中指“grid”
  • global view

• OTA：

  • 作者：该方法之前就由旷视提出
  • 思路：OTA从global视角分析label assignment并将其formulate为1个Optimal Transport (OT)问题
  • 效果：SOTA

• Sinkhorn-Knopp：使用Sinkhorn-Knopp算法解决OT问题会增加25%的训练时长，这对于300个epoch来说非常expensive。因此将其简化为dynamic top-k策略，命名为SlimOTA

• SlimOTA：

  
  • pair-wise matching degree：首先计算pair-wise matching degree（通过每个prediction-GT pair的cost或quality来表征），SlimOTA中GT \(g_i\)和prediction \(p_j\)之间的cost \(c_{ij}\)如上所示
  • 对于GT \(g_i\)，在1个固定的center region中选择cost最小的top-k predictions作为positive sample。注：对于每个GT，k的值是不同的，详见OTA中的Dynamic k Estimation
  • 最后，这些positive prediction对应的grid被指定为positives，其余grid被指定为negatives

• 实验：见消融实验

End-to-end(NMS-free) YOLO

• end-to-end：按照PSS，添加了2个额外的卷积层、one-to-one label assignment和stop gradient，这使得detector变成end-to-end
  • optional module：这稍微降低了preformance和inference speed，因此并不将其纳入本文的final module，而是将其作为一个optional module
• 实验：见消融实验

消融实验

• decoupled head稍微增加了模型size
• 除了NMS-free，其它strategy都有效涨点并且没有成本/成本很小

性能对比

除了darknet53，YOLOX在其它不同size的backbone上同样实现了improvement

这张图中不同方法的软硬件差异是somewhat controlled

YOLOX-L

• backbone：采用YOLOv5的backbone以进行对比，包括modified CSPNet、SiLU activation、the PAN head
• scaling rule：按照YOLOv5的scale rule，得到YOLOX-S、YOLOX-M、YOLOX-L和YOLOX-X
• 性能：AP提高1%到3%，时间稍稍增加（因为decoupled head）

YOLOX-Tiny & YOLOX-Nano

• YOLOX-Tiny：
  • 思路：通过shrink模型而得到（没说怎么shrink的）
  • 性能：AP提高9%，而模型size差不多
• YOLOX-Nano：
  • 思路：采用depth wise convolution
  • 性能：模型size更小，但AP却高出1.8%

Model size V.S. Data augmentation

• 本文的mixup：mixup with scale jittering

  • heavier：本文的mixup实现比原版heavier
  • 思路：受Copypaste启发，本文在mixup两张图片之前会按随机比例抖动2个图像
  • 效果：Copypaste需要instance mask annotation，而mixup不需要，但两者的AP差不多
  • 作用：当没有instance mask annotation时，mixup with scale jittering可以作为Copypaste的替代品

• 不同size的模型适用的augmentation不同

  • large model：适合增强augmentation
    • YOLOX-L：应用MixUp可以将AP提高0.9%
  • small model：适合减少或弱化augmentation
    • YOLOX-Nano：弱化mosaic（scale range从[0.1, 2.0]到[0.5, 1.5]）并移除mixup，AP提高1.3%

SOTA

• 注：因为软硬件差异，上表（表6）中inference speed通常是uncontrolled
• 补充：
  • Scale-YOLOv4、YOLOv5-P6等模型性能更高，但size更大
  • Transformer based detector将accuracy-SOTA推高到了∼60 AP

参考链接

本笔记的参考链接，都很不错，特别是第2篇，建议阅读！

• https://zhuanlan.zhihu.com/p/391396921
• https://www.zhihu.com/question/473350307/answer/2021031747