#object_detection #yolov4

در مقاله YOLOv4 بلوک دیاگرامی اومده که به‌صورت جامع بخش‌های مختلف سیستم‌های تشخیص اشیا رو به تصویر کشیده.

با توجه به تصویر بالا، بخش‌های کلی سیستم تشخیص اشیا شامل موارد زیر هست:
* ورودی (Input)
* شبکه بدنه یا بیس (Backbone)
* گردن (Neck)!
* سر (Head)

بخش Input که شامل تصویر یا هرم تصویر یا پچ هست.

بخش Backbone که شامل شبکه‌های کانولوشنی معروف مانند رزنت، دارک‌نت هست.

بخش Neck که ممکن هست شامل دو زیربخش تجمیع ویژگی‌ها (مثل FPN) و بلوک‌های افزایش Receptive Field باشه. این بخش Neck در اکثر کارهای دیتکشن دیده میشه. اتفاقا در EffiecientDet دیدیم که یکی از ایده‌های مهم‌شون در همین بود. لینک پست EfficientDet:
https://t.iss.one/pytorch_howsam/44

بخش بعدی head هست که معمولا برای روش‌های تشخیص اشیای دو مرحله‌ای (Sparse Prediction) و یک مرحله‌ای (Dense Prediction) متفاوت هست. مثلا، یولو از جمله روش‌های تک مرحله‌ای هست که یک head بنام yolo layer داره. اما در نوشته‌های زیر شکل می‌تونید ببینید که headهای مختلفی تا الان طراحی شده.

در پست بعدی، کمی درباره YOLOV4 صحبت می‌کنیم.

@pytorch_howsam

#YOLOv4

دیروز این مقدمه رو گفتیم که برسیم به مقاله YOLOv4...

یولو 4 هم مثل سه نسخه قبلی پر از کارها و ایده‌های جدید هست. در هر بخش از بلوک دیاگرام بالا سعی کردن ایده‌های جدیدی اعمال کنن و نتیجه بهبود عملکرد در تشخیص اشیا بوده. ضمن اینکه همچنان سرعت اجرای بسیار خوبی داره.

بهتره طبق همون بلوک دیاگرام پست بالا به توضیح یولو 4 بپردازیم:

در بخش ورودی، روی دیتاآگمنت کار کردن...

در بخش بدنه، شبکه دارکنت-53 سابق رو بهبود دادن و حالا شبکه CSPDarknet53 رو معرفی کردن. CSP اشاره میکنه به یک مقاله دیگه که برای افزایش قدرت یادگیری شبکه‌های کانولوشنی پیشنهاد شده. با الهام‌گیری از شبکه DenseNet...

در بخش Neck یا گردن! از ماژول‌های SPP و PAN استفاده شده. اما مثلا در متد PAN تغییراتی هم ایجاد کردن.

در بخش Head هم از لایه یولو ورژن سه استفاده کردن.

علاوه بر اینها، ایده‌های ریز و درشت دیگه‌ای هم زده شده که ما به مهم‌ترین‌هاشون اشاره کردیم.

لینک مقاله:
https://arxiv.org/pdf/2004.10934.pdf

کدهای پایتورچ:
https://github.com/Tianxiaomo/pytorch-YOLOv4

@pytorch_howsam