YOLO目标检测创新改进与实战案例专栏
专栏目录： YOLO有效改进系列及项目实战目录 包含卷积，主干 注意力，检测头等创新机制 以及 各种目标检测分割项目实战案例
专栏链接: YOLO基础解析+创新改进+实战案例
介绍
摘要
在文章中，我们介绍了一种快速且准确的目标检测方法，称为DAMO-YOLO，其性能优于最先进的YOLO系列。DAMO-YOLO在YOLO的基础上扩展了几项新技术，包括神经架构搜索（Neural Architecture Search，NAS）、高效的重参数化通用FPN（RepGFPN）、带有AlignedOTA标签分配的轻量化检测头和蒸馏增强。特别地，我们使用MAE-NAS，这是一种遵循最大熵原则的方法，在低延迟和高性能的约束下搜索检测主干网络，产生了类似ResNet/CSP的结构，结合了空间金字塔池化和聚焦模块。在neck和head的设计中，我们遵循“大neck，小head”的原则。我们引入了加速queen-fusion的通用FPN来构建检测neck，并通过高效层聚合网络（ELAN）和重参数化升级了其CSPNet。然后，我们研究了检测头大小对检测性能的影响，发现具有仅一个任务投影层的重neck可以获得更好的结果。此外，AlignedOTA被提出以解决标签分配中的错位问题，并引入了蒸馏方案来进一步提升性能。
基于这些新技术，我们构建了一套适应不同场景需求的模型。针对一般工业需求，我们提出了DAMO-YOLO-T/S/M/L，这些模型在T4 GPU上的延迟分别为2.78/3.83/5.62/7.95毫秒，在COCO数据集上可实现43.6/47.7/50.2/51.9的mAP。此外，对于计算能力有限的边缘设备，我们还提出了DAMO-YOLO-Ns/Nm/Nl轻量化模型，它们在X86-CPU上的延迟分别为4.08/5.05/6.69毫秒，在COCO数据集上可实现32.3/38.2/40.5的mAP。我们提出的通用和轻量化模型在各自的应用场景中性能优于其他YOLO系列模型。代码可在此处获取。
文章链接
论文地址：论文地址
代码地址：代码地址
基本原理：Large Neck: RepGFPN
在FPN（特征金字塔网络）中，多尺度特征融合旨在聚合不同阶段backbone输出的特征，从而增强输出特征的表达能力，提高模型性能。传统的 FPN 引入自上而下的路径来合并多尺度特征。考虑到单向流量的限制，PAFPN增加了一个额外的自下而上的路径聚合网络，但增加了计算成本。为了降低计算强度，YOLO系列检测网络选择PAFPN和CSPNet来融合主干输出的多尺度特征。
他们在ICLR2022中的工作GiraffeDet提出了一种新颖的Light-Backbone Heavy-Neck结构并实现了SOTA性能，因为给定的颈结构GFPN（广义FPN）可以充分交换高层语义信息和低层空间信息。在GFPN中，多尺度特征融合发生在前一层和当前层的不同尺度特征中，此外，跨层连接log_2(n)提供了更有效的信息传输，可以扩展到更深的网络。
因此，他们尝试将GFPN引入DAMO-YOLO中，并且获得了比PANet更高的准确率，这是预期的。但与此同时，GFPN带来了模型推理延迟的增加，使得精度/延迟的权衡并没有取得很大的优势。通过对原始GFPN结构的分析，他们将原因归结为以下几个方面：
（1）不同尺度的特征共享相同数量的通道，这使得很难给出一个最优的通道数来保证高层低层的特征。 - 分辨率特征和低级高分辨率特征具有同样丰富的表达能力；
（2）GFPN使用Queen-Fusion来增强特征之间的融合，而Queen-Fusion包含大量的上采样和下采样操作来实现不同尺度下特征的融合，这极大地影响了推理速度；
(3)GFPN中使用的3x3卷积的跨尺度特征融合效率不高，无法满足轻量级计算的需求，需要进一步优化。
task与yaml配置
详见：https://blog.csdn.net/shangyanaf/article/details/139863259
