yolov4网络结构_上达最高精度,下到最快速度,Scaled-YOLOv4:模型缩放显神威
分享一篇今天新出的重要文章:Scaled-YOLOv4: Scaling Cross Stage Partial Network,作者出自 YOLOv4 的原班人马,其聚焦于针对 YOLOv4 的模型缩放(model scale)。
该文作者信息:
论文地址:https://arxiv.org/2011.08036
代码地址: https://github.com/WongKinYiu/ScaledYOLOv4
旗下重要的三个模型:
YOLOv4-CSP(面向普通GPU):
https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-csp
YOLOv4-tiny(面向低端GPU):
https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-tiny
YOLOv4-large(面向高端GPU):
https://github.com/WongKinYiu/ScaledYOLOv4/tree/yolov4-large
实现效果
1)其开发的 YOLOv4-large 在COCO 数据集达到 SOTA 精度: 55.4% AP(73.3% AP50) 并以以15 fps 在 Tesla V100 运行, 而如果加上测试阶段数据增强方法后,YOLOv4-large 达到 55.8% AP (73.2 AP50。 作者称这一精度是所有已公开文献的最高精度。
2)另外其 YOLOv4-tiny 模型在 COCO 数据集达到 22.0% AP (42.0% AP50) , ∼443 FPS 在 RTX 2080Ti 运行, 当使用 TensorRT 做推理, batch size = 4 和 FP16 推断时, YOLOv4-tiny 甚至可达到 1774 FPS!
何为模型缩放?为什么要缩放?
首先我们要搞清楚这篇文章作者的本意,其本不是冲着提高检测精度而来的。其主要考虑的是在深度学习技术应用领域不断扩大的今天,面向实际工程部署,往往需要的不是一个模型而是一套模型。
部署在云端,也许你有高端大气上档次的V100 ,部署在个人电脑有大量的消费级GPU可选如2080TI(当然还是略贵~),部署在嵌入式平台可以选择TX2 、Jetson NANO等“弱机”。
模型缩放即希望一个算法衍生出多个模型,对计算和存储的需求不同(精度当然也不同),以满足部署在不同平台的需求。其实这当然不是什么新概念,EfficientNet、EfficientDet即是一个算法的一系列模型。
作为工业界宠爱的 YOLOv4, 需要模型缩放。
Scaled-YOLOv4 是怎么做模型缩放的?
正如之前跟大家分享过 YOLOv4 论文一样,作者们依然采用了极其工程化的方法设计 Scaled-YOLOv4 ,没有发明什么新思想、新路径,而是“博采众长”,“努力调优”。
以往模型缩放,如 EfficientDet 无非是首先选择网络基础模块,它往往又好又快,然后针对影响目标检测的重要参数如:网络宽度 w、深度 d、输入图像分辨率size等进行(满足一定条件下按照一定规律)调参。
虽然神经架构搜索也常被用于设计不同平台的一系列不同模型,但 EfficientDet 已经证明上述方法其实是很有效。
作者针对不同的 GPU 设计不同模型。思路依然是寻找基础模块,然后调整网络宽度 w、深度d、输入图像分辨率 size。
作者认为之前的工作没有系统性分析各个网络因素的影响,而作者进行了系统分析。
这里CV君不再跟大家分享作者的分析细节,只上结论。
针对普通 GPU,对应 YOLOv4-CSP,作者选择了 CSPNet (CVPR 2020 Workshop 论文)启发下的 CSP-ized(CSP化的)模型作为基础结构。作为后来者,相比 EfficientDet,设计 Scaled-YOLOv4 能选择的网络结构更多,当然是有优势的。
针对嵌入式等平台上的弱 GPU,对应 YOLOv4-tiny ,除了考虑计算量,作者尤其提到要考虑内存访问速度、内存带宽、DRAM 速度的影响,作者选择了 OSANet 作为整体结构,并依然进行了 CSP 化,即 CSPOSANet 。CV君觉得这是搞工程化的人最值得参考的地方。
对于高端 GPU,对应 YOLOv4-Large,首要考虑的是追求高精度,所以作者在提高输入图像分辨率和增加 stage 上下功夫,因为这直接影响不同分辨率目标和算法感受野,输入分辨率高、算法感受野大能检测到更多目标。
算法效果
作者在 COCO 数据集上进行了测试,未使用预训练权重,从头开始训练。
尽管 Scaled-YOLOv4 并不单纯追求精度高,但跟 SOTA 算法相比依然很能打。
请注意,表中的 YOLOv4 -CSP、P5、P6、P7 依然都是实时算法,针对帧率 15fps(v100 GPU上测试),当然 YOLOv4-P7 也取得了最高的精度,但相比相同输入分辨率的EfficientDet-D7x 也并未出现碾压的架势,在 Large 目标上 EfficientDet-D7x 是最优秀的,YOLOv4-P7 对小目标检测更好。
YOLOv4-Large 加上测试时图像增强(TTA,这时在工程应用时经常做的)后,精度获得了小幅提升:
YOLOv4-tiny同样很优秀,相比其他主打小模型计算量小的算法,取得了速度和精度的双优。
结论
尽管在算法设计上,该文并没有带来重要亮点,但从工程应用的角度讲, Scaled-YOLOv4 无疑是极其优秀的选择!尤其是 YOLOv4-tiny,其设计不仅考虑到计算量和参数量还考虑到内存访问,感谢作者团队的开源!
yolov4网络结构_上达最高精度,下到最快速度,Scaled-YOLOv4:模型缩放显神威相关推荐
- 上达最高精度,下到最快速度,Scaled-YOLOv4:模型缩放显神威
分享一篇今天新出的重要文章:Scaled-YOLOv4: Scaling Cross Stage Partial Network,作者出自YOLOv4的原班人马,其聚焦于针对YOLOv4的模型缩放(m ...
- yolov4网络结构_重磅更新!YoLov4最新论文!解读YoLov4框架!
早上刷到YOLOv4之时,非常不敢相信这是真的!今明两天各大公众号肯定要炸锅了! 论文:https://arxiv.org/pdf/2004.10934.pdf 源码:https://github.c ...
- 精度45.9%,推理速度72.9FPS,百度飞桨推出工业级目标检测模型 PP-YOLO
允中 发自 凹非寺 量子位 编辑 | 公众号 QbitAI 工业视觉.自动驾驶.安防.新零售等我们身边熟知的各行各业都需要目标检测技术,由于其很好的平衡了标注成本.检测精度和速度等,成为当前智能制造产 ...
- YOLOV4网络结构总结
1.前言 最近用YOLO V4做车辆检测,配合某一目标追踪算法实现车辆追踪+轨迹提取等功能,正好就此结合论文和代码来对YOLO V4做个解析.先放上个效果图(半成品),如下: YOLO V4的论文链接 ...
- matlab文件目录表示,Matlab - 文件目录路径操作_读取不同路径下的相同文件名表格...
Matlab - 文件目录路径操作_读取不同路径下的相同文件名表格 tr1 str1 for max imp mda eva 目录 xls clear;clc; clo ...
- 卷积神经网络结构_卷积神经网络
卷积神经网络结构 CNN's are a special type of ANN which accepts images as inputs. Below is the representation ...
- python双划线_Python中单下划线(_)和双下划线(__)的特殊用法
函数使用单下划线_开头 使用单下划线(_)开头的函数_func不能被模块外部以: from module import *形式导入. 但可以用:from module import _func形式单独 ...
- php实训报告英文摘要,English Abstract _和大家分享下如何写英文摘要
English Abstract _和大家分享下如何写英文摘要 刚刚在网上看到这样的好文章,所以想和大家分享下如何写英文摘要 Abstract 1 基本特性 2 时态 3 语态 4 语法修辞 5 一个 ...
- Scaled Yolov4论文解读
Scaled Yolov4 一.简介 本文提出了一种通过修改网络的深度,宽度,分辨率和网络结构的网络缩放方法.YOLOv4-large模型达到了当前state-of-the-art结果,在MS COC ...
- 刘强东:猪飞到天疯狂了十几秒 但摔下死得更快
刘强东:猪飞到天疯狂了十几秒 但摔下死得更快 2015年09月22日09:47 新浪科技 我有话说(6,450人参与) 收藏本文 查看最新行情 京东CEO刘强东 新浪科技讯 ...
最新文章
- java创建描述文件,IT技术交流:Java 轻量级整合开发
- bzoj 1024 [SCOI2009]生日快乐——模拟
- nde升级_NDE新闻编辑室工具KDE Plasma Mobile和更多新闻
- 线程数究竟设多少合理
- Spring全家桶——SpringCloud之Feign(Finchley版)
- Codeforces Round #467 (Div. 2)
- setValue:forKey of nsobject
- gridview的sort_GRIDVIEW排序的方法
- html表格自动变色,让考勤表实现自动变色
- matlab液压仿真实例,基于MATLAB-simulink的液压系统动态仿真.pptx
- android sd卡数据恢复软件下载,手机SD卡内存卡数据恢复软件
- matlab群速度色散系数,第三章-群速度色散.ppt
- 统计推断—假设检验(hypothesis testing)
- 输出一个由*组成的三角形图案_Python中实现个性图案的方案
- 2022山东省安全员C证试题及模拟考试
- Configure Python interpreter
- DSP TMS320F280049C之捕获eCAP(1)
- ccleaner专业版注册码
- Python wxpython篇 | Python生态库之图形用户界面开发库 “wxPython “ 的安装及使用(附. 使用pyinstaller 库打包Python随机点名小程序程序.exe文件)
- Svn中的tag标签的用法和意义
热门文章
- 肝毒净-道格拉斯实验室
- 多普达D700手机利用USB电缆与电脑连接上网方法
- Spring REST实践之HATEOAS
- 关于go语言的测试相关内容笔记
- linux导出Mysql数据sql脚本
- 导出FLASH用反射的时候要注意的问题
- WebUtils-网络请求工具类
- Trip to Canvas(1)
- Microsoft Visual C++ 14.0 is required (Unable to find vcvarsall.bat)
- 【模型压缩】Only Train Once:微软、浙大等研究者提出剪枝框架OTO,无需微调即可获得轻量级架构...