YOLOv4 модель

Содержание
— Введение.
— Структура сети и особенности.
— Техника тренировки.
— Как использовать.

Введение
YOLOv4 (You Only Look Once Version 4) в структуре своей сети не имеет больших изменений по сравнению с YOLOv3. Вместо оригинальной Darknet53 в качестве основной нейронной сети используется CSPDarknet53, также применяются идеи SPP и PAN для объединения признаков разных масштабов.

• Основные характеристики:
  • Создана мощная и эффективная модель обнаружения целей, которая позволяет любому пользователю использовать GPU 1080 Ti или 2080 Ti для быстрой и точной тренировки детектора целей.
  • Подтверждены многие современные методы глубокого обучения для тренировки обнаружения целей.
  • Многие современные методы были модифицированы, чтобы сделать их более эффективными для тренировки на одном GPU, например, CBN, PAN, SAM и другие.

Структура сети и особенности
Наглядно структуру модели YOLOv4 можно представить так:

Более подробно структуру можно рассмотреть с помощью Netron. Для этого нужно нажать здесь.

Особенности YOLOv4:

• Основная сеть: CSPDarknet53.
• Активация Mish.
• Структура FPN+PAN.
• Loss DIoU.
• Spatial Pyramid Pooling.
• Mosaic.
• Label Smooth.
• SAM (Spartial Attention Module).

Техника тренировки
Для тренировки используются следующие методы:

• Экспоненциальное скользящее среднее.
• Предварительный прогрев.
• Обрезка градиента.
• Инкрементное обновление градиента.
• Многомасштабная тренировка.
• Регулировка скорости обучения: косинус.
• Сглаживание меток.

Также в тексте упоминается метод SAM (Spatial Attention Module), но не раскрывается его суть.

В разделе о технике тренировки также говорится о том, как настроить параметры для ускорения сходимости модели. В частности, предлагается использовать параметры из YOLOv5, если ресурсы ограничены. По умолчанию используются параметры YOLOv5. Если необходимо использовать оригинальные параметры YOLO, то нужно установить значение yolo_loss_type=yolov4.

Как использовать
Подготовка:

1. Подготовить набор данных для тренировки, указать местоположение данных. Подробные инструкции можно найти здесь.
2. Найти файл конфигурации YOLOv4 и внести изменения в указанные разделы.

Использование GPU для тренировки:

python tools/train.py ${CONFIG_FILE}

Если вы хотите указать рабочий каталог в команде, можно добавить параметр --work_dir ${YOUR_WORK_DIR}.
Например, для тренировки модели YOLOv4 используйте команду:

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

Параметры:

• --validate (рекомендуется): выполнять оценку во время каждой эпохи k (по умолчанию 1, можно изменить this).
• --work_dir ${WORK_DIR}: заменить указанный рабочий каталог.
• --device ${device}: указать устройство для тренировки (0 или 0,1,2,3 или cpu, по умолчанию все).
• --resume_from ${CHECKPOINT_FILE}: продолжить тренировку с ранее сохранённого файла контрольных точек.
• --multi-scale: масштабирование с несколькими масштабами, диапазон размеров равен размеру тренировочного изображения +/- 50%.

Разница между resume_from и load_from:
resume_from загружает веса модели и состояние оптимизатора, а также продолжает тренировку с указанной контрольной точки. Обычно используется для возобновления прерванной тренировки.
load_from только загружает веса модели, тренировка начинается с эпохи 0. Обычно используется для тонкой настройки.