本文介绍单阶段检测模型YOLOF，其仅用一层特征层便达到多层特征层检测效果，速度领先。作者将检测分encoder和decoder，提出单进单出的Dilated Encoder及Uniform Matching组件，解决相关问题。对比其他模型，YOLOF精度相当或更高，速度更快、耗时更少。还介绍了其复现过程、结果、代码及使用方法。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

论文介绍

论文地址：https://arxiv.org/abs/2103.09460

YOLOF是一个单阶段检测模型，它成功地只使用了一层特征层，就达到了使用多层特征层（FPN）进行检测一样的效果，并在速度上遥遥领先于多特征层检测器。

与其他模型对比：

• 与对齐后的RetinaNet达到了相同的AP，但是推理速度快了2.5x。
• 在不利用transformer，只使用C5特征层的情况下，达到了DETR的精度，但是训练耗时少了7x。
• 对比YOLOv4，对齐后的YOLOF精度更高，速度更快。

首先作者将检测的过程分为encoder和decoder：

• Encoder：将backbone的特征层映射到用于检测的特征层。
• Decoder：将encoder输出的特征层解码成检测结果。

如下图所示：

       

然后作者尝试了多种encoder结构，包括多进多出，单进多出，多进单出，单进单出，发现单进多出能达到多进多出（FPN）差不多的精度，如下图：

       

所以得出结论：FPN的效果得益于分而治之而并非多层特征融合。基于这样的观察，作者提出YOLOF，成功地在单特征层上进行高效地目标检测。

YOLOF有两个重要的组件，Dilated Encoder和Uniform Matching：

Dilated Encoder

       

Dilated Encoder其实是一个单进单出的neck，它的结构如上图所示，它由Projector和Residual Blocks两部分组成。首先C5特征层经过1x1的卷积将通道从2048降到512，然后通过一个3x3的卷积对语义信息进行refine，这是Projector部分。然后是一组residual blocks，每个block中的卷积层均采用了空洞卷积，并加入了残差模块，这是Residual Blocks部分。作者使用了4个residual blocks，空洞大小分别为2，4，6，8。最后输出的检测特征层具有和C5一样的stride（32）。

据作者描述，空洞卷积的作用是高效地增大感受野，残差模块是将不同感受野的特征融合到一个特征层上。

Uniform Matching

由于只用了一层特征层，anchor的分布变得非常稀疏，导致大物体更容易被匹配到，为了解决这种不平衡，作者提出了Uniform Matching，每个GT选取k个最接近的anchor进行匹配，从而保证了每个GT都有足够多的样本进行学习。

最后YOLOF具有如下结构：

       

在最后的检测模块，YOLOF使用用2个卷积层作为分类分支，4个卷积层作为回归分支，在回归分支上还加入了隐性objectness，最后并入分类结果合并作为最后的分类分数。隐性的意思是没有监督信息去监督objectness的学习。

实验结果

下图是和RetinaNet对比的结果，RetinaNet+是补上了GN，implicit objectness，GIoU这些trick后的RetinaNet。

       

总结

该论文写地很细，读者关心的细节都解释地很清楚，实验也做的很完整，强烈建议大家一读。

复现过程

官方给出了两个实现版本，一个是基于Detectron2的，一个是基于cvpods的，可以在这里可以找到。其中Detectron2不用过多介绍了，cvpods本人不太熟，貌似是旷世的一个计算机视觉框架。同时MMDetection也对YOLOF进行了实现，并纳入到了他们的检测模型库中。这里我的实现版本主要参照的是MMDetection的实现版本和官方基于Detectron2的版本。

CodeFormer

CodeFormer是一个基于AI技术的图像修复模型，擅长人脸修复和旧照片清晰化。

1055 查看详情

我选择基于PaddleDetection进行复现，因为里面集成了很多检测相关组件，可以节省很多时间。而且PaddleDetection官方并没有支持YOLOF，所以是一个很好的炼手机会。其实YOLOF也可以被认为是RetinaNet的一个变种，所以之前复现RetinaNet的经验帮了很大的忙。为了和PaddleDetection风格保持一致，YOLOF的接口设计借鉴了PaddleDetection关于GFL的实现，因为大家都是RetinaNet的变种。要注意的是YOLOF使用的是caffe形式的ResNet，在PaddleDetection下需要把ResNet的variant设置成a。但是PaddleDetection官方并没有提供这个版本的ImageNet预训练权重，所以需要手动转换。我已经将转换好的权重上传到了百度网盘，感兴趣的同学可以前往下载[rpsb]。

当代码敲完，首先在VOC数据上进行训练，调试，直到在VOC上的实现和MMDetection的版本有着差不多的AP之后，再在COCO上进行实验。

复现结果

source	backbone	AP	epochs	config	model	train-log	dataset
official	R-50-C5	37.7	12.3(detail)	config	model[qr6o]	NA	coco2017
mmdet	R-50-C5	37.5	12	config	model	log	coco2017
this	R-50-C5	37.5	12	config	model[3z7q]	log	coco2017
this_re-train	R-50-C5	37.4	12	config	model[6faq]	log	coco2017

以上是官方的结果和我复现的结果对比，数据集大家采用的都是coco2017，其中模型的训练是在百度的aistudio上完成，使用4张V100显卡，每张显卡上放了8张图片，这个和官方保持一直。这里要特别感谢飞浆团队提供的优质算力。

这里是我复现的代码地址：Paddle-YOLOF，欢迎大家star，上面除了有复现的代码，还有训练好的模型，config和训练过程产生的log。如果有什么疑问可以在issue里提出，我会尽量解答。

使用方法

安装要求：

• python 3.7+
• Paddle v2.2: 访问这里了解如何安装

去github拉取复现的代码：

git clone https://github.com/thisisi3/Paddle-YOLOF.git
pip install -e Paddle-YOLOF/PaddleDetection -v

       

访问这个链接了解如何安装PaddleDetection，按照这个链接了解如何使用PaddleDetection.

数据准备：

cd Paddle-YOLOF

wget http://images.cocodataset.org/annotations/annotations_trainval2017.zip
wget http://images.cocodataset.org/zips/train2017.zip
wget http://images.cocodataset.org/zips/val2017.zip

mkdir dataset
mkdir dataset/coco

unzip annotations_trainval2017.zip -d dataset/coco
unzip train2017.zip -d dataset/coco
unzip val2017.zip -d dataset/coco

       

如果官方的下载比较缓慢，可以访问aistudio下载coco2017数据。

下载backbone的预训练权重：

前往这边[rpsb]下载。然后放在pretrain/目录下。

单卡训练YOLOF：

python PaddleDetection/tools/train.py -c configs/yolof_r50_c5_1x_coco_8x4GPU.yml --eval

       

4卡训练YOLOF：

python -m paddle.distributed.launch --gpus 0,1,2,3 PaddleDetection/tools/train.py -c configs/yolof_r50_c5_1x_coco_8x4GPU.yml --eval

       

如果不想在训练的时候计算AP，可以去掉--eval这个选项。

计算AP：

python PaddleDetection/tools/eval.py -c configs/yolof_r50_c5_1x_coco_8x4GPU.yml -o weights=path_to_model_final.pdparams

   

以上就是基于PPDet的YOLOF模型复现的详细内容，更多请关注其它相关文章！

# 都是  # 家居产品怎样营销推广  # 培训学校网站建设价格  # 贵港精准推广招聘网站  # 通化seo搜索优化  # 三亚ai海量发营销推广服务公司  # 桂林网站建设内容有哪些  # 重庆书店网站建设  # 杭州湾seo快速排名  # seo代理有哪些  # 三门峡网站推广公司  # 所示  # 更快  # 达到了  # 这是  # python  # 多出  # 一言  # 的是  # 是一个  # 中文网  # coco  # fig  # udio  # igs  # 百度  # 百度网盘  # ai  # git 

相关栏目： 【 行业资讯67740 】 【 技术百科0 】 【 网络运营39195 】

相关推荐： a股等权平均市盈率是什么意思  春运抢票技巧攻略  typescript和es6先学哪个  excel中datediff函数怎么用  什么是域名解析地址  雅迪电动车上的power是什么意思  typescript什么意思  网络光刻机是干什么用的  power在录音笔上是什么意思  如何给电脑加装固态硬盘  vi命令如何使用方法  语音聊天软件哪个好 语音聊天软件2025排行榜  酷狗音乐pc版的每日推荐在哪 酷狗音乐PC版每日推荐查找指南  win10电脑如何使用命令提示符  如何安装大华固态硬盘  自己如何加装固态硬盘  如何去掉拍电脑的纹路详细教程  j*a数组元素怎么用  广东春运几点抢票  单片机显存怎么设置最佳  如何更新typescript  如何右键打开命令窗口  typescript和nodejs哪个好  ip dhcp是什么意思  春运抢票要用抢票软件吗  16苹果有哪些机型  win7如何打开命令行窗口  typescript适合什么用  为什么夸克没有动漫  丰田type-c接口是什么  a股等权市盈率中位数是什么意思  win10如何开启命令行  如何查询固态硬盘序列  linux如何跳回命令行界面  电脑命令如何删除账号  meet是什么意思  如何显示固态硬盘  夸克的答案为什么不对  税负是什么意思  路由器power灯一直亮是什么意思  春运抢票用不用取票码  如何辨别固态硬盘坏块  access中如何使用常用宏命令  8k是多少钱  typescript入门要多久  vb中的datediff函数怎么用 ​VB中的DateDiff函数：详尽指南  燃气热水器上的power是什么意思  video是什么意思  如何创建sql命令  手机如何ip绑定域名解析