抖音推广网站,php做的网站优缺点,动态时钟html代码,网站 js 广告代码simOTA是YOLOX中提出的 正负样本分配策略#xff08;OTA, SimOTA#xff0c;TAS#xff09; OTA源于2021年cvpr的论文#xff0c;使训练和验证的标签有着更好的对应关系。 yolov5没有用到#xff0c;只有一种loss#xff1a;
from utils.loss import ComputeLoss
comput…simOTA是YOLOX中提出的 正负样本分配策略OTA, SimOTATAS OTA源于2021年cvpr的论文使训练和验证的标签有着更好的对应关系。 yolov5没有用到只有一种loss
from utils.loss import ComputeLoss
compute_loss ComputeLoss(model) # init loss classyolov7用到了对应的loss
from utils.loss import ComputeLoss, ComputeLossOTA这里说yolov5改成simota以后可以提高6个百分点。https://www.iotword.com/4182.html
一、YOLOX整体介绍可看文章 https://zhuanlan.zhihu.com/p/392221567 改进点 1、Decoupled head(预测分支解耦)。 作者实验发现耦合检测头可能会损害性能。共有两点改进 ①将预测分支解耦极大的改善收敛速度。 ②相比较于非解耦的端到端方式解耦能带来4.2%AP提升。 图2yolov3 head与decoupled head结构图 模型结构
yolov3中针对coco80类的检测任务每一个anchor会对应产生hw85维度的预测结果其中obj区分是前景背景占用1个通道reg坐标占用4个通道cls预测是80类中的哪一个类占用80个通道。 而YOLOX首先使用11卷积将原本不同channel数的特征图先统一到256主要目的是降维然后使用两个平行分支两个分别两个使用33卷积同时regression分支里还添加了IoU分支。 2、强大的数据增强。
添加Mosaic和MixUp但在最后15epochs时关闭笔者认为最后15轮关闭的原因可能是怕数据增强过度 Mosaic最先在U版的yolov3中使用现在已经广泛用于各大目标检测器。U版yolov3代码网址https://github.com/ultralytics/yolov3 MixUp用在目标检测中大概的方式是两张图以一定的比例对rgb值进行混合同时需要模型预测出原本两张图中所有的目标。目前MixUp在各大竞赛、各类目标检测中属于稳定提点的策略。 作者颠覆性发现使用强大的数据增强后ImageNet预训练模型无益所有后续模型都是随机初始化权重。 同时论文最后提到在训练比较小的模型时候例如YOLOX-S, YOLOX-Tiny,YOLOX-Nano网络剔除mixup弱化mosaic效果表现要比使用好。 3、Anchor-free anchor的问题 ①使用anchor时为了调优模型需要对数据聚类分析确定最优锚点缺乏泛化性。 ②anchor机制增加了检测头复杂度增加了每幅图像预测数量针对coco数据集yolov3使用416416图像推理 会产生3(1313262652*528510647个预测结果)。 使用ancho-freer可以减少调整参数数量减少涉及的使用技巧 从原有一个特征图预测3组anchor减少成只预测1组直接预测4个值左上角xy坐标和box高宽。减少了参数量和GFLOPs使速度更快且表现更好。 作者在正样本选择方式做过以下几个尝试 ①只将物体中心点所在的位置认为是正样本一个gt最多只会有一个正样本。AP达到42.9%。 ②Multi positives。笔者感觉这就是暴力美学策略简单直接将中心33区域都认为是正样本即从上述策略每个gt有1个正样本增长到9个正样本。且AP提升到45%已经超越U版yolov3的44.3%AP。 ③SimOTA 这里不得不提到OTA(Optimal Transport Assignment,Paper: https://arxiv.org/abs/2103.14259)这里简单解释一下后续计划出个专栏来解释OTA。在目标检测中有时候经常会出现一些模棱两可的anchor如图3即某一个anchor按照正样本匹配规则会匹配到两个gt而retinanet这样基于IoU分配是会把anchor分配给IoU最大的gt而OTA作者认为将模糊的anchor分配给任何gt或背景都会对其他gt的梯度造成不利影响因此对模糊anchor样本的分配是特殊的除了局部视图之外还需要其他信息。因此更好的分配策略应该摆脱对每个gt对象进行最优分配的惯例而转向全局最优的思想换句话说为图像中的所有gt对象找到全局的高置信度分配。和DeTR中使用使用匈牙利算法一对一分配有点类似 二、详解SimOTA 参考https://zhuanlan.zhihu.com/p/394392992 https://zhuanlan.zhihu.com/p/549382358
巧妙之处
1、simOTA能够做到自动的分析每个gt要拥有多少个正样本。 2、能自动决定每个gt要从哪个特征图来检测。 3、相比较OTAsimOTA运算速度更快。 4、相比较OTA避免额外超参数。 代码结构 核心代码位于yolox/models/yolo_head.py中。 整体代码逻辑 1、确定正样本候选区域。 2、计算anchor与gt的iou。 3、在候选区域内计算cost。 4、使用iou确定每个gt的dynamic_k。 5、为每个gt取cost排名最小的前dynamic_k个anchor作为正样本其余为负样本。 6、使用正负样本计算loss。 OTA虽然实现了很好的性能涨点但其训练成本很高. YOLOX发现OTA中的Sinkhorn-Knopp算法在训练300epoch的情况下会增加25%的训练时间为此YOLOX提出了SimOTA使用手工设定的规则替代Sinkhorn-Knopp算法缩短了因此增加的训练时间. 如上所述SimOTA和OTA的区别主要在于最后一步即使用Sinkhorn-Knopp算法求得最小cost的传输计划 . 对此SimOTA使用下述方法替代Sinkhorn-Knopp算法求得传输计划 在已求得cost矩阵和每个GT所需的Anchor数量k的情况下针对每个GT根据cost挑选出k个cost最小的Anchor. 参考下图下图为示例只为了表达大概意思. IoU数量也和10对不上
