YOLOv4网络结构详解

论文名称：YOLOv4: Optimal Speed and Accuracy of Object Detection
论文下载地址：https://arxiv.org/abs/2004.10934

---

---

0 前言

YOLOv4是2020年Alexey Bochkovskiy等人发表在CVPR上的一篇文章，并不是Darknet的原始作者Joseph Redmon发表的，但这个工作已经被Joseph Redmon大佬认可了。之前我们有聊过YOLOv1～YOLOv3以及Ultralytics版的YOLOv3 SPP网络结构，如果不了解的可以参考之前的视频，YOLO系列网络详解。如果将YOLOv4和原始的YOLOv3相比效果确实有很大的提升，但和Ultralytics版的YOLOv3 SPP相比提升确实不大，但毕竟Ultralytics的YOLOv3 SPP以及YOLOv5都没有发表过正式的文章，所以不太好讲。所以今天还是先简单聊聊Alexey Bochkovskiy的YOLOv4。

---

1 YOLOv4中的亮点

如果之前有阅读过YOLOv4这篇论文的小伙伴，你会发现作者就是把当年所有的常用技术罗列了一遍，然后做了一堆消融实验。实验过程及结果写的还是很详细的，但对我个人而言感觉有点杂乱，没能很好的突出重点。如果大家对实验不敢兴趣的话，直接从论文3.4章节往后看就行了。

1.1 网络结构

在论文3.4章节中介绍了YOLOv4网络的具体结构：

• Backbone: CSPDarknet53
• Neck: SPP，PAN
• Head: YOLOv3

相比之前的YOLOv3，改进了下Backbone，在Darknet53中引入了CSP模块（来自CSPNet）。在Neck部分，采用了SPP模块（Ultralytics版的YOLOv3 SPP就使用到了）以及PAN模块（来自PANet）。Head部分没变还是原来的检测头。
关于CSPDarnet53，后面有专门的章节讲解，这里暂时跳过。关于SPP（Spatial Pyramid Pooling）模块之前讲YOLO系列网络详解时详细介绍过，SPP就是将特征层分别通过一个池化核大小为5x5、9x9、13x13的最大池化层，然后在通道方向进行concat拼接在做进一步融合，这样能够在一定程度上解决目标多尺度问题，如下图所示。

PAN（Path Aggregation Network）结构其实就是在FPN（从顶到底信息融合）的基础上加上了从底到顶的信息融合，如下图(b)所示。

但YOLOv4的PAN结构和原始论文的融合方式又略有差异，如下图所示。图(a)是原始论文中的融合方式，即特征层之间融合时是直接通过相加的方式进行融合的，但在YOLOv4中是通过在通道方向Concat拼接的方式进行融合的。

---

1.2 优化策略

有关训练Backbone时采用的优化策略就不讲了有兴趣自己看下论文的4.2章节，这里直接讲下训练检测器时作者采用的一些方法。在论文4.3章节，作者也罗列了一堆方法，并做了部分消融实验。这里我只介绍确实在代码中有使用到的一些方法。

1.2.1 Eliminate grid sensitivity

在原来YOLOv3中，关于计算预测的目标中心坐标计算公式是：

b

x

=

σ

(

t

x

)

+

c

x

b

y

=

σ

(

t

y

)

+

c

y

b_x = sigma(t_x) + c_x \ b_y = sigma(t_y) + c_y

bx​=σ(tx​)+cx​by​=σ(ty​)+cy​

其中：

• t

  x

  t_x

  tx​是网络预测的目标中心

  x

  x

  x坐标偏移量（相对于网格的左上角）

• t

  y

  t_y

  ty​是网络预测的目标中心

  y

  y

  y坐标偏移量（相对于网格的左上角）

• c

  x

  c_x

  cx​是对应网格左上角的

  x

  x

  x坐标

• c

  y

  c_y

  cy​是对应网格左上角的

  y

  y

  y坐标

• $\sigma$

但在YOLOv4的论文中作者认为这样做不太合理，比如当真实目标中心点非常靠近网格的左上角点（

σ

(

t

x

)

sigma(t_x)

σ(tx​)和

σ

(

t

y

)

sigma(t_y)

σ(ty​)应该趋近与0）或者右下角点（

σ

(

t

x

)

sigma(t_x)

σ(tx​)和

σ

(

t

y

)

sigma(t_y)

σ(ty​)应该趋近与1）时，网络的预测值需要非常小或者非常大时才能取到，而这种很极端的值网络一般无法达到。为了解决这个问题，作者引入了一个大于1的缩放系数（

s

c

a

l

e

x

y

{rm scale}_{xy}

scalexy​）:

b

x

=

(

σ

(

t

x

)

⋅

s

c

a

l

e

x

y

−

s

c

a

l

e

x

y

−

1

2

)

+

c

x

b

y

=

(

σ

(

t

y

)

⋅

s

c

a

l

e

x

y

−

s

c

a

l

e

x

y

−

1

2

)

+

c

y

b_x = (sigma(t_x) cdot {rm scale}_{xy} - frac{{rm scale}_{xy}-1}{2}) + c_x \ b_y = (sigma(t_y) cdot {rm scale}_{xy} - frac{{rm scale}_{xy}-1}{2})+ c_y

bx​=(σ(tx​)⋅scalexy​−2scalexy​−1​)+cx​by​=(σ(ty​)⋅scalexy​−2scalexy​−1​)+cy​
通过引入这个系数，网络的预测值能够很容易达到0或者1，我看现在比较新的实现方法包括YOLOv5都将

s

c

a

l

e

x

y

{rm scale}_{xy}

scalexy​设置2，即：

b

x

=

(

σ

(

t

x

)

⋅

2

−

0.5

)

+

c

x

b

y

=

(

σ

(

t

y

)

⋅

2

−

0.5

)

+

c

y

b_x = (sigma(t_x) cdot 2 - 0.5) + c_x \ b_y = (sigma(t_y) cdot 2 - 0.5) + c_y

bx​=(σ(tx​)⋅2−0.5)+cx​by​=(σ(ty​)⋅2−0.5)+cy​

下面是我绘制的

y

=

σ

(

x

)

y = sigma(x)

y=σ(x)（sigma）和

y

=

σ

(

x

)

⋅

2

−

0.5

y = sigma(x) cdot 2 - 0.5

y=σ(x)⋅2−0.5（scale）的曲线，很明显通过引入缩放系数scale以后，

x

x

x在同样的区间内，

y

y

y的取值范围更大，或者说

y

y

y对

x

x

x更敏感了。

1.2.2 Mosaic data augmentation

在数据预处理时将四张图片拼接成一张图片，增加学习样本的多样性，之前在YOLO系列网络详解P4中讲过，这里不在赘述。

1.2.3 IoU threshold（正样本匹配）

在YOLOv3中针对每一个GT都只分配了一个Anchor。但在YOLOv4包括之前讲过的YOLOv3 SPP中一个GT可以同时分配给多个Anchor，它们是直接使用Anchor模板（注意不是绘制在图上的每个Anchor，不要把Anchor模板和Anchor弄混了）与GT Boxes进行粗略匹配，然后在定位到对应Anchor的位置。匹配流程大致如下图所示：比如说针对某个预测特征层采用如下三种Anchor模板AT 1、AT 2、AT 3

1. 将每个GT Boxes与每个Anchor模板进行匹配（这里直接将GT和Anchor模板左上角对齐，然后计算IoU）
2. 如果GT与某个Anchor模板的IoU大于给定的阈值，则将GT分配给该Anchor模板，如下图中的AT 2
3. 将GT投影到对应预测特征层上，根据GT的中心点定位到对应cell的左上角
4. 将匹配上的Anchor模板（AT 2）以对应cell的左上角为中心绘制得到Anchor，则该Anchor为正样本

在YOLOv4中IoU的阈值设置的是0.213.

1.2.4 Optimizer Anchors

在YOLOv3中使用anchor模板是：

目标类型	Anchors模板
小尺度	$(10\times 13),(16\times 30),(33\times 23)$
中尺度	$(30\times 61),(62\times 45),(59\times 119)$
大尺度	$(116\times 90),(156\times 198),(373\times 326)$

在YOLOv4中作者针对

512

×

512

512 times 512

512×512尺度采用的anchor模板是：

目标类型	Anchors模板
小尺度	$(12\times 16),(19\times 36),(40\times 28)$
中尺度	$(36\times 75),(76\times 55),(72\times 146)$
大尺度	$(142\times 110),(192\times 243),(459\times 401)$

1.2.5 CIoU（定位损失）

在YOLOv3中定位损失采用的是MSE损失，但在YOLOv4中作者采用的是CIoU损失。之前在YOLO系列网络详解P4中很详细的讲解过IoU Loss，DIoU Loss以及CIoU Loss，这里不在赘述。

---

2 CSPDarknet53网络结构

CSPDarknet53就是将CSP结构融入了Darknet53中。CSP结构是在CSPNet（Cross Stage Partial Network）论文中提出的，CSPNet作者说在目标检测任务中使用CSP结构有如下好处：

1. Strengthening learning ability of a CNN
2. Removing computational bottlenecks
3. Reducing memory costs

即减少网络的计算量以及对显存的占用，同时保证网络的能力不变或者略微提升。CSP结构的思想参考原论文中绘制的CSPDenseNet，进入每个stage（一般在下采样后）先将数据划分成俩部分，如下图所示的Part1和Part2。但具体怎么划分呢，在CSPNet中是直接按照通道均分，但在YOLOv4网络中是通过两个1x1的卷积层来实现的。在Part2后跟一堆Blocks然后在通过1x1的卷积层（图中的Transition），接着将两个分支的信息在通道方向进行Concat拼接，最后再通过1x1的卷积层进一步融合（图中的Transition）。

接下来详细分析下CSPDarknet53网络的结构，下图是我根据开源仓库https://github.com/Tianxiaomo/pytorch-YOLOv4中代码绘制的CSPDarknet53详细结构（以输入图片大小为

416

×

416

×

3

416 times 416 times 3

416×416×3为例），图中：

• $k$
• $s$
• $c$
• 注意，CSPDarknet53 Backbone中所有的激活函数都是Mish激活函数

---

3 YOLOv4网络结构

下图是我绘制的YOLOv4网络的详细结构，大家在搭建或者学习过程中可以进行参考。