Object Detection: 初探YOLOV5爭議以及與YOLOV4之比較

前言

繼yolov4發布一個多月，yolov5也殺個措手不及出現了，還標榜可以到140 FPS，立刻引發討論，同時也有非常多爭議。

而爭議點大概有幾項：

1. yolov5未經官方承認
2. yolov5並未發布論文
3. 相比於yolov4，創新性不足，演算法不夠進化到可以稱為v5
4. 數據比較不公平，例：yolov5的140 FPS是使用P100，然而yolov4的50 FPS是使用V100、推論時的batch size設定不同...等。

而且從作者們互動，可以感受到濃濃的火藥味XD，陸續補上了一些解釋與較公平的數據比較結果，可以參考yolov5官方回覆：Responding to the Controversy about YOLOv5: https://blog.roboflow.com/yolov4-versus-yolov5/

補充：Alexey提供的yolov3~v5在COCO上的比較表，可以看到憤怒的紅字XDDD，強調使用ultralytics訓練也可以提升yolov4的 mAP，這樣比較比較公平。

Method

Yolov5模型結構上，與yolov4很相似，不過還是有一些修改，同時也加了新東西進去，以*表示yolov4中沒有的。

1. 輸入端：Mosaic資料增強、自動anchor size計算*、自適應圖片縮放trick *
2. Backbone：Focus結構*、CSP結構 (與yolov4比起來，有做更改)
3. Neck：FPN + PAN結構 (與yolov4比起來，有做更改)
4. Prediction：bbox使用GIOU_Loss (yolov4是CIOU_Loss)、加權NMS (yolov4使用DIOU_nms，對於被大面積遮擋的物體檢測效果更佳)

細節可以參考這篇：https://zhuanlan.zhihu.com/p/172121380

Evaluation

Yolov5在發布時，給出的數據顯示，在COCO上比EfficientDet更好更快，不過沒有直接提及與yolov4的比較：

作者群針對爭議點回覆，並補上較公平的數據比較，其實兩者AP與推論速度差異不多…Yolov4稍微比較好一些，不過該數據是基於Ultralytics YOLOv3 repository訓練的(並不是本來的darknet)，因此可以得到mAP會比本來更高：

Speed

使用P100做測試的話，在batch size=1下，yolov4推論花費22ms、yolov5s是20ms，分別是45、50FPS。

yolov5作者提及，若是batch size=36下，yolov5s推論只要7ms，並來到140FPS。

大家可能跟我一樣非常好奇，為什麼yolov5可以達到這麼快的速度，這邊整理幾個原因：

1. PyTorch支援半精度運算 (32 bit to 16 bit precision)，一方面優化顯存大小，一方面加快推論、訓練速度。
2. 自適應圖片縮放：yolo會先將圖片縮放到416*416、608*608...等長寬相等的大小，此時會填充兩端黑邊，如果黑邊的面積大，則信息冗餘，影響推論速度。因此yolov5使用自適應圖片縮放的trick，為圖片補上了最少的黑邊，加快了37%的推論速度。詳細作法可以參考這篇：https://zhuanlan.zhihu.com/p/172121380。

Model Size

最小的yolov5s僅27MB，跟yolov4 245MB差了9倍！模型小的令人讚嘆啊！

(備註：yolov5x 367mb、yolov5l 192mb、yolov5m 84mb)

Summary

1. 以mAP來說，yolov4較佳，不過其實速度與mAP表現兩者差不多。
2. yolov5s體積小很多，很適合Edge AI的user。
3. yolov5使用pytorch，使用上非常親民。且yolov5也將一些功能直接加入train.py中，例如自動計算anchor size，很方便。

Reference

1. Yolov5 GitHub: https://github.com/ultralytics/yolov5
2. Responding to the Controversy about YOLOv5: https://blog.roboflow.com/yolov4-versus-yolov5/
3. Repo Claims To Be YOLOv5: https://github.com/AlexeyAB/darknet/issues/5920
4. YOLOv5 New Version — Improvements And Evaluation: https://blog.roboflow.com/yolov5-improvements-and-evaluation/
5. 深入浅出Yolo系列之Yolov5核心基础知识完整讲解：https://zhuanlan.zhihu.com/p/172121380
6. Yolov3&Yolov4&Yolov5模型权重及网络结构图资源下载：https://blog.csdn.net/nan355655600/article/details/107852288