从零复现PyTorch版（与行人车辆检测实战）（2）

Yolov4网络结构和代码构建（1）

1. 项目介绍

Yolov4 网络结构和组件
Yolov3的回顾，Yolov4的整体框图介
绍，各个子模块的具体含义
Backbone
CSPNet等最新的提升性能技术
Neck
FPN+PANNET自顶向下+自低向上双
向多尺度融合， SPP金字塔池化
Yolo Head
头部的DECODE和ENCODE过程，和
Yolov3基本一致

Yolov3整整个部分由CBL，Resn，上采样，concat，yolo头组成，咱们后面使用
pytorch实现代码YOLOV3的backbone的时候也会依据图中的基础模块进行封装，
这样更便于大家理解。

2. 为什么要用残差模块？

早期的网络无法太深
在早期的VGG中，卷积网络达到了19层，在早期的GoogLeNet中，网络史无前例的达到了22层。现象随着网络层数的增加，网络发生了退化（degradation）的现象：深随着网络层数的增多，训练集loss逐渐下降，然后趋于饱和，当你再增加网络度的话，训练集loss反而会增大。
如何解决？
当网络退化时，浅层网络能够达到比深层网络更好的训练效果，这时如果我们把低层的特征传到深层，那么效果应该至少不比浅层的网络效果差残差网络由此而生！！！

CBL：包含卷积+BN+激活3个层组成
RESn：先经过一个DBL再+N个Res unit单元组成
Res unit：则是一个经典的Resnet残差模块，一个输入分别经过2个DBL，和直连，再进行
相加，这一经典的连接目前也大量应用到了各种网络中，包括后面的YOLOV4也是在此基础上的衍生。
假定输出入图尺寸是416x416，从网络的输入来看，一共输出3个分别Y1,Y2,Y3特征图向量，形状依次为13x13x(4+obj+class), 26x26x(4+obj+class),52x52x(4+obj+class), 其 中Y1尺寸最小具有更丰富的语义信息，而Y3最大具有更多的表征和空间信息，Y2则处于二者之间。

FPN网络结构
使用特征融合方式问题，特征融合的方式只是单方向的，即将小的特征往大特征图进行融合，而大特征图得到了另2个特征图的融合信息，但是大特征图并没有往小特征图方向融合，这也是后面YOLOV4的一个优化位置。
假定图片输入尺寸为416X416X3，图中在RES4之前则为Darknet53的网络，属于算法的backbone部分，之后经过5个DBL和DBL+Conv后得到一个13X13X255的特征图向量，从尺寸从416到13，经过分别经过了5次下采样，即缩小了32倍，这是提取的最小的一个特征图，具备图像更多的语义信息。

3. Yolov4 整体网络结构和组件

CBM：
卷积+BN层+Mish激活函数
CBL：
卷积+BN层+LeakyRelu激活e函数
SPP：
这个也算是一个创新点了，一个特征图经过3个最大池化+一个直连，最后通过拼接得到输出。
CSPX：
CSP网络结构再Res残差模块基础上又新加入了一个卷积分支再拼接到一起

4. Neck颈部原理

FPN+PANET等多尺度融合金字塔网络，这个地方区别于YOLOV3中，也算是一个创新点
FPN+PANET通过自底向上和自顶向下的方式，实现双方向的特征图融合，使得最终输出的3个特征图都具有了其他尺寸特征图的信息来提高准确。而再YOLOV3中只使用了自底向上单个方向的特征图融合。