简体中文 | English

PP-YOLO 模型

内容

• 简介
• 网络结构和特点
• 不同点
• 如何使用

简介

PP-YOLO是百度AI优化和改进的YOLOv3的模型，百度官方给出的精度(COCO数据集mAP)和推理速度均优于YOLOv4模型。COCO test-dev2017数据集上精度达到45.9%，在单卡V100上FP32推理速度为72.9 FPS, V100上开启TensorRT下FP16推理速度为155.6 FPS。

网络结构和特点

网络结构

PP-YOLO特点：

• 骨干网络: ResNet50vd-DCN
• Drop Block
• Exponential Moving Average
• IoU Loss
• Grid Sensitive
• Matrix NMS
• CoordConv
• Spatial Pyramid Pooling
• IOU_Aware_Loss
• 更优的预训练模型(知识蒸馏)
• 额外对IOU_Aware_Loss损失函数说明，原YOLO系列中，置信度得分为分类概率乘以目标物体得分。未考虑检测框定位的准确度。该损失值用于衡量检测框定位的准确度。

不同点

• 百度使用的ResNet50采用的是ResNet-D分支结构。而我使用的预训练模型为pytorch官方提供的，结构为ResNet-B的分支结构。百度的ResNet50vd的预训练模型采用了知识蒸馏，精度要好于pytorch官方模型。
• 论文中C5->P5(input:512,ouput:512)，C4->P4(input:512,ouput:256)，C3->P3(input:256,ouput:128) 。而实际代码实现中因为ResNet输出为[512,1024,2048]，所以实际代码实现为C5->P5(input:2048,ouput:512) ，C4->P4(input:1024,ouput:256) ，C3->P3(input:512,ouput:128)。
• 最新的paddle代码实现对于C5-->P5 DropBlock的位置和论文中给出的位置不一致。论文中是在第一个Conv Block中采用Drop Block，但实际代码是在第二个Conv Block块中采用Drop Block。默认我们是与paddle代码实现保持一致。可以修改neck的PPFPN配置项，设置second_drop_block=False，即可和原论文保持一致。
• IOU_Aware_Loss
• 有关正负样本划分定义，PP-YOLO采用的是YOLO原系列的定义方式，损失函数的定义多了xy_loss，wh_loss，IOU_Aware_Loss的损失。但是实际实验对比发现采用YOLOv5正负样本划分定义和损失函数定义，能使模型收敛速度更快，超过原PP-YOLO系列对正负样本的划分和损失定义。对于如果卡资源不充足，想在短时间内收敛模型，可采用yolov5的正负样本划分和损失函数定义，收敛模型。默认是采用YOLOv5的方式，相关参数为yolo_loss_type=yolov5，具体细节可参考YOLOv5章节说明，设置为None将采用PP-YOLO定义的损失函数定义，设置为yolov4将采用原始YOLO系列损失函数。
• 模型训练方法采用Mosaic方式，未采用官方的MixUP方式，可自行修改相关配置项

如何使用

准备

请自行下载ResNet50预训练模型 下载地址：https://download.pytorch.org/models/resnet50-19c8e357.pth 修改配置项pretrained=ResNet50本地存放位置

type='PPYOLODetector',  
pretrained='ResNet50预训练模型本地存放位置',  
backbone=dict(  
  type='ResNet',  
  depth=50,  
  num_stages=4,  
  out_indices=(1, 2, 3),  
  frozen_stages=1,  
  norm_cfg=dict(type='BN', requires_grad=True),  
  norm_eval=True,  
  style='pytorch',  
  dcn=dict(type='DCNv2',deformable_groups=1, fallback_on_stride=False),  
  # dcn=None,  
  stage_with_dcn=(False, False, False, True)  
)

自行准备训练需要的数据集，指定需要训练的数据位置，具体操作请查看【这里】有关数据集准备，可查看yolov4相关章节，点击【这里】快速到达。

使用GPU训练

python tools/train.py ${CONFIG_FILE}

如果您想在命令中指定工作目录，可以添加一个参数--work_dir ${YOUR_WORK_DIR}。 例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device ${device} --validate

使用指定gpu训练

python tools/train.py ${CONFIG_FILE} --device ${device} [optional arguments]

例如采用YOLOv4训练模型:

python tools/train.py cfg/yolov4_coco_100e.py --device 0,1,2 --validate

可选参数:

• --validate(强烈建议):在训练epoch期间每一次k(默认值是1，可以像这样修改this)来执行评估。

• --work_dir ${WORK_DIR}:覆盖配置文件中指定的工作目录。

• --device ${device}: 指定device训练, 0 or 0,1,2,3 or cpu，默认全部使用。

• --resume_from ${CHECKPOINT_FILE}:从以前训练的checkpoints文件恢复训练。

• --multi-scale:多尺度缩放，尺寸范围为训练图片尺寸+/- 50%

resume_from 和load_from的不同:

resume_from加载模型权重和优化器状态，并且训练也从指定的检查点继续训练。它通常用于恢复意外中断的训练。 load_from只加载模型权重，并且训练从epoch 0开始。它通常用于微调。