Ultralytics YOLOv5 Architektur

YOLOv5 (v6.0/6.1) ist ein leistungsstarker Algorithmus zur Objekterkennung, der von Ultralytics entwickelt wurde. Dieser Artikel befasst sich eingehend mit der Architektur von YOLOv5 , den Strategien zur Datenerweiterung, den Trainingsmethoden und den Verfahren zur Verlustberechnung. Dieses umfassende Verständnis wird dir helfen, die praktische Anwendung der Objekterkennung in verschiedenen Bereichen wie Überwachung, autonome Fahrzeuge und Bilderkennung zu verbessern.

1. Modellstruktur

YOLOv5Architektur besteht aus drei Hauptteilen:

• Backbone: Dies ist der Hauptteil des Netzwerks. Für YOLOv5 wird das Backbone mit Hilfe des New CSP-Darknet53 Struktur, eine Abwandlung der Darknet-Architektur, die in früheren Versionen verwendet wurde.
• Nacken: Dieser Teil verbindet die Wirbelsäule und den Kopf. In YOLOv5, SPPF und New CSP-PAN Strukturen genutzt werden.
• Kopf: Dieser Teil ist für die Erstellung der endgültigen Ausgabe verantwortlich. YOLOv5 verwendet die YOLOv3 Head zu diesem Zweck.

Die Struktur des Modells ist in der folgenden Abbildung dargestellt. Die Details zur Struktur des Modells findest du unter yolov5l.yaml.

YOLOv5 führt einige kleinere Änderungen im Vergleich zu seinen Vorgängern ein:

1. Die Focus Struktur, die in früheren Versionen zu finden war, wird durch eine 6x6 Conv2d Struktur. Diese Änderung steigert die Effizienz #4825.
2. Die SPP Struktur wird ersetzt durch SPPF. Durch diese Änderung wird die Geschwindigkeit der Verarbeitung mehr als verdoppelt.

Zum Testen der Geschwindigkeit von SPP und SPPFkann der folgende Code verwendet werden:

import time
import torch
import torch.nn as nn


class SPP(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool1 = nn.MaxPool2d(5, 1, padding=2)
        self.maxpool2 = nn.MaxPool2d(9, 1, padding=4)
        self.maxpool3 = nn.MaxPool2d(13, 1, padding=6)

    def forward(self, x):
        o1 = self.maxpool1(x)
        o2 = self.maxpool2(x)
        o3 = self.maxpool3(x)
        return torch.cat([x, o1, o2, o3], dim=1)


class SPPF(nn.Module):
    def __init__(self):
        super().__init__()
        self.maxpool = nn.MaxPool2d(5, 1, padding=2)

    def forward(self, x):
        o1 = self.maxpool(x)
        o2 = self.maxpool(o1)
        o3 = self.maxpool(o2)
        return torch.cat([x, o1, o2, o3], dim=1)


def main():
    input_tensor = torch.rand(8, 32, 16, 16)
    spp = SPP()
    sppf = SPPF()
    output1 = spp(input_tensor)
    output2 = sppf(input_tensor)

    print(torch.equal(output1, output2))

    t_start = time.time()
    for _ in range(100):
        spp(input_tensor)
    print(f"SPP time: {time.time() - t_start}")

    t_start = time.time()
    for _ in range(100):
        sppf(input_tensor)
    print(f"SPPF time: {time.time() - t_start}")


if __name__ == '__main__':
    main()

True
SPP time: 0.5373051166534424
SPPF time: 0.20780706405639648

2. Techniken der Datenerweiterung

YOLOv5 setzt verschiedene Techniken zur Datenerweiterung ein, um die Verallgemeinerungsfähigkeit des Modells zu verbessern und die Überanpassung zu verringern. Zu diesen Techniken gehören:

• Mosaik-Erweiterung: Eine Bildverarbeitungstechnik, bei der vier Trainingsbilder so zu einem Bild kombiniert werden, dass die Objekterkennungsmodelle besser mit verschiedenen Objektmaßstäben und Übersetzungen umgehen können.

• Copy-Paste Augmentation: Eine innovative Methode zur Datenerweiterung, bei der zufällige Bereiche aus einem Bild kopiert und in ein anderes, zufällig ausgewähltes Bild eingefügt werden, sodass ein neues Trainingsmuster entsteht.

• Zufällige affine Transformationen: Dazu gehören zufällige Drehungen, Skalierungen, Verschiebungen und Scherungen der Bilder.

• MixUp Augmentation: Eine Methode, die zusammengesetzte Bilder durch eine lineare Kombination von zwei Bildern und ihren zugehörigen Beschriftungen erzeugt.

• Albumentations: Eine leistungsstarke Bibliothek für Bildvergrößerungen, die eine Vielzahl von Vergrößerungstechniken unterstützt.

• HSV-Erweiterung: Zufällige Änderungen an Farbton, Sättigung und Wert der Bilder.

• Zufälliges horizontales Spiegeln: Eine Erweiterungsmethode, die Bilder zufällig horizontal spiegelt.

3. Ausbildungsstrategien

YOLOv5 wendet mehrere ausgeklügelte Trainingsstrategien an, um die Leistung des Modells zu verbessern. Dazu gehören:

• Multiskalen-Training: Die Eingangsbilder werden während des Trainingsprozesses zufällig in einem Bereich zwischen dem 0,5- und 1,5-fachen ihrer Originalgröße skaliert.
• AutoAnker: Diese Strategie optimiert die vorherigen Ankerboxen so, dass sie den statistischen Eigenschaften der Ground-Truth-Boxen in deinen benutzerdefinierten Daten entsprechen.
• Warmup und Cosine LR Scheduler: Eine Methode zur Anpassung der Lernrate, um die Leistung des Modells zu verbessern.
• Exponentieller gleitender Durchschnitt (EMA): Eine Strategie, die den Durchschnitt der Parameter über vergangene Schritte verwendet, um den Trainingsprozess zu stabilisieren und den Generalisierungsfehler zu reduzieren.
• Mixed Precision Training: Eine Methode zur Durchführung von Operationen im Halbpräzisionsformat, die den Speicherverbrauch reduziert und die Rechengeschwindigkeit erhöht.
• Hyperparameter-Evolution: Eine Strategie zur automatischen Anpassung von Hyperparametern, um eine optimale Leistung zu erzielen.

4. Zusätzliche Merkmale

4.1 Verluste berechnen

Der Verlust auf YOLOv5 wird als eine Kombination aus drei einzelnen Verlustkomponenten berechnet:

• Klassifizierungsverlust (BCE Loss): Binary Cross-Entropy Loss, misst den Fehler bei der Klassifizierung.
• Objectness Loss (BCE Loss): Ein weiterer Binary Cross-Entropy Loss, der den Fehler bei der Erkennung berechnet, ob ein Objekt in einer bestimmten Rasterzelle vorhanden ist oder nicht.
• Ortungsverlust (CIoU-Verlust): Vollständiger IoU-Verlust, misst den Fehler bei der Lokalisierung des Objekts innerhalb der Gitterzelle.

Die Gesamtverlustfunktion wird wie folgt dargestellt:

4.2 Bilanzverluste

Die Objektivitätsverluste der drei Vorhersageschichten (P3, P4, P5) werden unterschiedlich gewichtet. Die Ausgleichsgewichte sind [4.0, 1.0, 0.4] beziehungsweise. Dieser Ansatz stellt sicher, dass die Vorhersagen auf verschiedenen Skalen angemessen zum Gesamtverlust beitragen.

4.3 Beseitigung der Netzempfindlichkeit

Die Architektur von YOLOv5 enthält einige wichtige Änderungen an der Strategie zur Vorhersage der Boxen im Vergleich zu früheren Versionen von YOLO. In YOLOv2 und YOLOv3 wurden die Koordinaten der Boxen direkt durch die Aktivierung der letzten Schicht vorhergesagt.

In YOLOv5 wurde die Formel für die Vorhersage der Feldkoordinaten jedoch aktualisiert, um die Empfindlichkeit des Rasters zu verringern und zu verhindern, dass das Modell unbegrenzte Feldabmessungen vorhersagen kann.

Die überarbeiteten Formeln zur Berechnung des voraussichtlichen Begrenzungsrahmens lauten wie folgt:

Vergleiche den Mittelpunktsversatz vor und nach der Skalierung. Der Bereich für den Mittelpunktversatz reicht von (0, 1) bis (-0,5, 1,5). Daher kann der Versatz leicht 0 oder 1 werden.

Vergleiche das Skalierungsverhältnis von Höhe und Breite (relativ zum Anker) vor und nach der Anpassung. Die ursprünglichen yolo/darknet Box-Gleichungen haben einen schweren Fehler. Breite und Höhe sind völlig unbegrenzt, da sie einfach out=exp(in) sind, was gefährlich ist, da es zu ausufernden Gradienten, Instabilitäten, NaN-Verlusten und letztendlich zu einem kompletten Verlust des Trainings führen kann. siehe dieses Problem

4.4 Bauziele

Der Build-Target-Prozess in YOLOv5 ist entscheidend für die Trainingseffizienz und die Modellgenauigkeit. Dabei werden den entsprechenden Rasterzellen in der Ausgangskarte Bodenwahrheitsboxen zugewiesen und mit den entsprechenden Ankerboxen abgeglichen.

Dieser Prozess läuft in folgenden Schritten ab:

• Berechne das Verhältnis zwischen den Abmessungen der Ground Truth Box und den Abmessungen der einzelnen Ankerschablonen.

• Wenn das berechnete Verhältnis innerhalb des Schwellenwerts liegt, stimme die Ground Truth Box mit dem entsprechenden Anker ab.

• Weisen Sie den passenden Anker den entsprechenden Zellen zu. Beachten Sie dabei, dass aufgrund der geänderten Mittelpunktsverschiebung ein Feld der Bodenwahrheit mehr als einem Anker zugeordnet werden kann. Da der Bereich der Mittelpunktsverschiebung von (0, 1) auf (-0,5, 1,5) angepasst wurde. Die GT Box kann mehreren Ankern zugewiesen werden.

Auf diese Weise stellt der Build-Targets-Prozess sicher, dass jedes Objekt der Grundwahrheit während des Trainingsprozesses richtig zugeordnet und abgeglichen wird, damit YOLOv5 die Aufgabe der Objekterkennung effektiver lernen kann.

Fazit

Zusammenfassend lässt sich sagen, dass YOLOv5 einen bedeutenden Schritt nach vorne in der Entwicklung von Objekterkennungsmodellen in Echtzeit darstellt. Durch die Einbeziehung verschiedener neuer Funktionen, Verbesserungen und Trainingsstrategien übertrifft es die vorherigen Versionen der YOLO Familie in Bezug auf Leistung und Effizienz.

Zu den wichtigsten Verbesserungen von YOLOv5 gehören die Verwendung einer dynamischen Architektur, eine breite Palette von Datenanreicherungstechniken, innovative Trainingsstrategien sowie wichtige Anpassungen bei den Rechenverlusten und dem Prozess der Zielbildung. All diese Neuerungen verbessern die Genauigkeit und Effizienz der Objekterkennung erheblich, während gleichzeitig die hohe Geschwindigkeit beibehalten wird, die das Markenzeichen der YOLO Modelle ist.

Kommentare