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 VerstĂ€ndnis wird dir helfen, die praktische Anwendung der Objekterkennung in verschiedenen Bereichen wie Ăberwachung, autonome Fahrzeuge und Bilderkennung zu verbessern.
1. Modellstruktur
YOLOv5Architektur besteht aus drei Hauptteilen:
- Backbone: Dies ist der Hauptteil des Netzwerks. FĂŒr YOLOv5 wird das Backbone mit Hilfe des
New CSP-Darknet53
Struktur, eine Abwandlung der Darknet-Architektur, die in frĂŒheren Versionen verwendet wurde. - Nacken: Dieser Teil verbindet die WirbelsĂ€ule und den Kopf. In YOLOv5,
SPPF
undNew CSP-PAN
Strukturen genutzt werden. - Kopf: Dieser Teil ist fĂŒr die Erstellung der endgĂŒltigen 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 fĂŒhrt einige kleinere Ănderungen im Vergleich zu seinen VorgĂ€ngern ein:
- Die
Focus
Struktur, die in frĂŒheren Versionen zu finden war, wird durch eine6x6 Conv2d
Struktur. Diese Ănderung steigert die Effizienz #4825. - Die
SPP
Struktur wird ersetzt durchSPPF
. Durch diese Ănderung wird die Geschwindigkeit der Verarbeitung mehr als verdoppelt.
Zum Testen der Geschwindigkeit von SPP
und SPPF
kann der folgende Code verwendet werden:
Beispiel fĂŒr SPP vs. SPPF-Geschwindigkeitsprofilierung (zum Ăffnen anklicken)
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()
2. Techniken der Datenerweiterung
YOLOv5 setzt verschiedene Techniken zur Datenerweiterung ein, um die VerallgemeinerungsfĂ€higkeit des Modells zu verbessern und die Ăberanpassung 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 ObjektmaĂstĂ€ben und Ăbersetzungen umgehen können.
- Copy-Paste Augmentation: Eine innovative Methode zur Datenerweiterung, bei der zufĂ€llige Bereiche aus einem Bild kopiert und in ein anderes, zufĂ€llig ausgewĂ€hltes Bild eingefĂŒgt werden, sodass ein neues Trainingsmuster entsteht.
- ZufÀllige affine Transformationen: Dazu gehören zufÀllige 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 fĂŒr BildvergröĂerungen, die eine Vielzahl von VergröĂerungstechniken unterstĂŒtzt.
-
HSV-Erweiterung: ZufĂ€llige Ănderungen an Farbton, SĂ€ttigung und Wert der Bilder.
- ZufÀlliges horizontales Spiegeln: Eine Erweiterungsmethode, die Bilder zufÀllig horizontal spiegelt.
3. Ausbildungsstrategien
YOLOv5 wendet mehrere ausgeklĂŒgelte Trainingsstrategien an, um die Leistung des Modells zu verbessern. Dazu gehören:
- Multiskalen-Training: Die Eingangsbilder werden wĂ€hrend des Trainingsprozesses zufĂ€llig in einem Bereich zwischen dem 0,5- und 1,5-fachen ihrer OriginalgröĂe 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 ĂŒber vergangene Schritte verwendet, um den Trainingsprozess zu stabilisieren und den Generalisierungsfehler zu reduzieren.
- Mixed Precision Training: Eine Methode zur DurchfĂŒhrung von Operationen im HalbprĂ€zisionsformat, die den Speicherverbrauch reduziert und die Rechengeschwindigkeit erhöht.
- Hyperparameter-Evolution: Eine Strategie zur automatischen Anpassung von Hyperparametern, um eine optimale Leistung zu erzielen.
4. ZusÀtzliche 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): VollstÀndiger IoU-Verlust, misst den Fehler bei der Lokalisierung des Objekts innerhalb der Gitterzelle.
Die Gesamtverlustfunktion wird wie folgt dargestellt:
4.2 Bilanzverluste
Die ObjektivitÀtsverluste 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 enthĂ€lt einige wichtige Ănderungen an der Strategie zur Vorhersage der Boxen im Vergleich zu frĂŒheren 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 fĂŒr die Vorhersage der Feldkoordinaten jedoch aktualisiert, um die Empfindlichkeit des Rasters zu verringern und zu verhindern, dass das Modell unbegrenzte Feldabmessungen vorhersagen kann.
Die ĂŒberarbeiteten Formeln zur Berechnung des voraussichtlichen Begrenzungsrahmens lauten wie folgt:
Vergleiche den Mittelpunktsversatz vor und nach der Skalierung. Der Bereich fĂŒr den Mittelpunktversatz reicht von (0, 1) bis (-0,5, 1,5). Daher kann der Versatz leicht 0 oder 1 werden.
Vergleiche das SkalierungsverhĂ€ltnis von Höhe und Breite (relativ zum Anker) vor und nach der Anpassung. Die ursprĂŒnglichen yolo/darknet Box-Gleichungen haben einen schweren Fehler. Breite und Höhe sind völlig unbegrenzt, da sie einfach out=exp(in) sind, was gefĂ€hrlich ist, da es zu ausufernden Gradienten, InstabilitĂ€ten, NaN-Verlusten und letztendlich zu einem kompletten Verlust des Trainings fĂŒhren kann. siehe dieses Problem
4.4 Bauziele
Der Build-Target-Prozess in YOLOv5 ist entscheidend fĂŒr die Trainingseffizienz und die Modellgenauigkeit. Dabei werden den entsprechenden Rasterzellen in der Ausgangskarte Bodenwahrheitsboxen zugewiesen und mit den entsprechenden Ankerboxen abgeglichen.
Dieser Prozess lÀuft in folgenden Schritten ab:
- Berechne das VerhÀltnis zwischen den Abmessungen der Ground Truth Box und den Abmessungen der einzelnen Ankerschablonen.
- Wenn das berechnete VerhÀltnis 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 geÀnderten 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 wÀhrend des Trainingsprozesses richtig zugeordnet und abgeglichen wird, damit YOLOv5 die Aufgabe der Objekterkennung effektiver lernen kann.
Fazit
Zusammenfassend lĂ€sst 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 ĂŒbertrifft 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, wÀhrend gleichzeitig die hohe Geschwindigkeit beibehalten wird, die das Markenzeichen der YOLO Modelle ist.