深入浅出Yolo系列之Yolox核心基础完整讲解( 二 ) 在Yolov4、Yolov5刚出来时

输入端：采用Mosaic数据增强；
Backbone：采用了CSPDarknet53、Mish激活函数、Dropblock等方式；
Neck：采用了SPP（按照DarknetAB的设定）、FPN+PAN结构；
输出端：采用CIOU_Loss、DIOU_Nms操作。
因此可以看出， Yolov4对Yolov3的各个部分，都进行了很多的整合创新。
Yolov5网络结构图

文章图片
而在Yolov5网络中，和Yolov4不同，最大的创新点在于，作者将网络结构，做成了可选择配置的方式。
比如主干网络结构，根据各个网络的宽度、高度不同，可以分为Yolov5s、Yolov5l、Yolov5s、Yolo5x等版本。这种转变，在目标检测领域，引领了一股网络拆分的热潮。
本文的Yolox算法，也从这个角度出发，将Yolox模型，变为多种可选配的网络，比如标准网络结构和轻量级网络结构。
（1）标准网络结构：Yolox-s、Yolox-m、Yolox-l、Yolox-x、Yolox-Darknet53 。
（2）轻量级网络结构：Yolox-Nano、Yolox-Tiny 。
在实际的项目中，大家可以根据不同项目需求，进行挑选使用。
3.2Yolox基础知识点
从上面的描述中，我们可以知道Yolox整体的改进思路：
（1）基准模型：Yolov3_spp
选择Yolov3_spp结构，并添加一些常用的改进方式，作为Yolov3baseline基准模型；
（2）Yolox-Darknet53
对Yolov3baseline基准模型，添加各种trick ，比如DecoupledHead、SimOTA等，得到Yolox-Darknet53版本；
（3）Yolox-s、Yolox-m、Yolox-l、Yolox-x系列
对Yolov5的四个版本，采用这些有效的trick ，逐一进行改进，得到Yolox-s、Yolox-m、Yolox-l、Yolox-x四个版本；
（4）轻量级网络
设计了Yolox-Nano、Yolox-Tiny轻量级网络，并测试了一些trick的适用性；
总体来说，论文中做了很多的工作，下面和大家一起，从以上的角度，对Yolox算法的网络结构，以及各个创新点进行讲解。
3.2.1基准模型：Yolov3_spp
在设计算法时，为了对比改进trick的好坏，常常需要选择基准的模型算法。
而在选择Yolox的基准模型时，作者考虑到：
Yolov4和Yolov5系列，从基于锚框的算法角度来说，可能有一些过度优化，因此最终选择了Yolov3系列。
不过也并没有直接选择Yolov3系列中，标准的Yolov3算法，而是选择添加了spp组件，进而性能更优的Yolov3_spp版本。
以下是论文中的解释：
ConsideringYOLOv4andYOLOv5maybealittleover-optimizedfortheanchor-basedpipeline,wechooseYOLOv3[25]asourstartpoint(wesetYOLOv3-SPPasthedefaultYOLOv3) 。
为了便于大家理解，大白在前面Yolov3结构图的基础上，添加上spp组件，变为下图所示的Yolov3_spp网络。

文章图片
大家可以看到，主干网络Backbone后面，增加了一个SPP组件。
当然在此基础上，对网络训练过程中的很多地方，都进行了改进，比如：
（1）添加了EMA权值更新、Cosine学习率机制等训练技巧
（2）使用IOU损失函数训练reg分支， BCE损失函数训练cls与obj分支
（3）添加了RandomHorizontalFlip、ColorJitter以及多尺度数据增广，移除了RandomResizedCrop 。
在此基础上， Yolov3_spp的AP值达到38.5 ，即下图中的Yolov3baseline 。

文章图片
不过在对上图研究时，有一点点小疑惑：
YOLOv3_ultralytics的AP值为44.3 ，论文中引用时，说是目前Yolov3_spp算法中，精度最好的版本。（thecurrentbestpracticeofYOLOv3）。
接着对此代码进行查看，发现正如论文中所说，增加了很多trick的Yolov3_spp版本， AP值为44.3 。