一、目標(biāo)檢測簡介

目標(biāo)檢測的定義是在圖像/空間中定位出感興趣物體的位置和大小。

一般情況下，輸入圖像、視頻或者點(diǎn)云，輸出物體的類別和檢測框坐標(biāo)。左下方這張圖片就是一個對圖像進(jìn)行目標(biāo)檢測的示例。目標(biāo)檢測應(yīng)用場景非常多，比如自動駕駛場景中車輛行人檢測，碼頭管理中常用泊船檢測。這兩者都是對目標(biāo)檢測的直接應(yīng)用。目標(biāo)檢測同時還是很多 CV 應(yīng)用的基礎(chǔ)任務(wù)，比如工廠用到的侵入檢測，和人臉識別，這些都需要行人檢測和人臉檢測作為基礎(chǔ)才能夠完成檢測任務(wù)。可以看出目標(biāo)檢測在日常中有很多重要的應(yīng)用，在 CV 落地中的地位也十分重要，因此這是一個競爭十分激烈的領(lǐng)域。

當(dāng)前已經(jīng)有很多各有特色的目標(biāo)檢測框架。根據(jù)我們在實(shí)際使用過程中的經(jīng)驗(yàn)積累，我們發(fā)現(xiàn)當(dāng)前檢測框架在實(shí)際應(yīng)用時仍然有以下幾個痛點(diǎn)：

① 模型尺度變化不夠靈活，難以適應(yīng)不同的算力場景。如 YOLO 系列的檢測框架，一般只提供 3-5 個模型的計(jì)算量，從十幾到一百多 Flops 數(shù)量級，難以覆蓋不同的算力場景。

② 多尺度檢測能力弱，特別是小物體檢測性能較差，這使得模型應(yīng)用場景十分受限。比如在無人機(jī)檢測場景，它們的效果往往都不太理想。

③ 速度/精度曲線不夠理想，速度和精度難以同時兼容。

針對上述情況，我們設(shè)計(jì)并開源了 DAMO-YOLO。DAMO-YOLO 主要著眼于工業(yè)落地。相比于其他的目標(biāo)檢測框架具有三個明顯的技術(shù)優(yōu)勢：

① 整合了自研 NAS 技術(shù)，可低成本自定義模型，讓用戶充分發(fā)揮芯片算力。

② 結(jié)合 Efficient RepGFPN 以及 HeavyNeck 模型設(shè)計(jì)范式，能夠很大程度上提高模型的多尺度檢測能力，擴(kuò)大模型應(yīng)用范圍。

③ 提出了全尺度通用的蒸餾技術(shù)，能夠?qū)π∧Ｐ?、中模型、大模型無痛地提升精度。

下面我們將從 3 個技術(shù)優(yōu)勢的價值進(jìn)一步分析 DAMO-YOLO。

二、DAMO-YOLO 技術(shù)價值

DAMO-YOLO 實(shí)現(xiàn)低成本模型定制化，是基于自研的 MAE-NAS 算法?？梢愿鶕?jù)延遲或者 FLOPS 預(yù)算來低成本的定制化模型。它無需模型訓(xùn)練，也無需真實(shí)數(shù)據(jù)參與，即可給出模型的評估打分，模型搜索成本低。以 FLOPS 為目標(biāo)，可以充分利用芯片算力。以時延作為預(yù)算進(jìn)行搜索，則非常適用于各種對時延要求嚴(yán)格的場景。我們還提供了支持不同硬件延遲場景的數(shù)據(jù)庫構(gòu)建方案，方便大家完成使用延遲作為目標(biāo)進(jìn)行搜索。

由下圖展示了如何用時延進(jìn)行模型搜索。首先針對目標(biāo)芯片或目標(biāo)設(shè)備采樣，得到所有可能用到的算子的時延，根據(jù)該時延數(shù)據(jù)對模型進(jìn)行延遲預(yù)測。如果預(yù)測的模型量級符合預(yù)設(shè)的目標(biāo)，模型會進(jìn)入到后續(xù)模型更新和計(jì)算分?jǐn)?shù)。最后經(jīng)過迭代更新，得到符合時延約束的最優(yōu)模型。

接下來介紹如何增強(qiáng)模型的多尺度檢測能力。DAMO-YOLO 結(jié)合提出 Efficient RepGFPN，以及創(chuàng)新性的 HeavyNeck，顯著提升了多尺度的檢測能力。Efficient RepGFPN 能夠高效地完成多尺度特征融合。HeavyNeck 范式，指的是將模型的 FLOPS 大量地分配到特征融合層。如模型 FLOPS 配比表。以 DAMO-YOLO-S 為例，neck 的計(jì)算量占到了將近整個模型的一半，這和其他的模型把計(jì)算量主要放在 backbone 有顯著的差異。

最后介紹蒸餾模型。蒸餾指將大模型的知識轉(zhuǎn)移到小模型上，在不帶來推理負(fù)擔(dān)的情況下，提升小模型的性能。模型蒸餾是一個提高檢測模型效率的利器，但是學(xué)術(shù)界和工業(yè)界探索大多局限于大模型，缺乏對小模型的蒸餾方案。DAMO-YOLO 則提供了一套對全尺度模型都通用的蒸餾。此方案不僅能夠?qū)崿F(xiàn)全尺度模型的顯著提點(diǎn)，并且魯棒性高，而且使用動態(tài)權(quán)重?zé)o需調(diào)參，一鍵式腳本即可完成蒸餾。另外此方案對異構(gòu)蒸餾也是魯棒的，這對于前文中提到的低成本自定義模型來說意義重大。在 NAS 模型中并不能保證搜索得到的小模型和大模型的結(jié)構(gòu)相似度。如果有一個異構(gòu)魯棒的蒸餾就可以保證充分發(fā)揮 NAS 和蒸餾的優(yōu)勢。下圖中給出了我們在蒸餾上的性能，可以看到無論在 T 模型、S 模型還是 M 模型上，蒸餾后都有穩(wěn)定提升。

三、DAMO-YOLO 應(yīng)用價值

基于上述技術(shù)價值，可以轉(zhuǎn)化出多少應(yīng)用價值呢？下面將介紹 DAMO-YOLO 與當(dāng)前其它 SOTA 檢測框架的對比。

DAMO-YOLO 與當(dāng)前 SOTA 相比，同精度下模型提速 20%-40%，計(jì)算量減少15%-50%，參數(shù)減少 6%-50%，全尺度漲點(diǎn)明顯，適用范圍廣。此外，在小物體和大物體上都有明顯的提升。

從以上數(shù)據(jù)對比可以看出，DAMO-YOLO 速度快、Flops 低，適用范圍廣；并且可以針對算力自定義模型，提高芯片利用效率。

相關(guān)模型已經(jīng)上線 ModelScope，通過三到五行代碼的配置就可以進(jìn)行推理和訓(xùn)練，大家可以體驗(yàn)使用，使用過程中有任何問題或者意見歡迎到評論區(qū)留言。

接下來圍繞 DAMO-YOLO 的 3 點(diǎn)技術(shù)優(yōu)勢，介紹它背后的原理，幫助大家更好地理解和使用 DAMO-YOLO。

四、DAMO-YOLO 原理簡介

首先介紹低成本模型定制化能力的關(guān)鍵技術(shù) MAE-NAS。它的基本思想是把一個深度網(wǎng)絡(luò)看作是一個有連續(xù)狀態(tài)空間的信息系統(tǒng)，并找到能夠最大化信息系統(tǒng)的熵。

網(wǎng)絡(luò)建模思路如下：將網(wǎng)絡(luò) F 的拓?fù)浣Y(jié)構(gòu)抽象為圖 G=(V,E)，其中頂點(diǎn) V 表示特征，邊 E 表示各種算子。在此基礎(chǔ)上，可以用 h(v) 和 h(e) 來分別表示頂點(diǎn)和邊中的值，就可以產(chǎn)生這樣的一個集合 S，定義了網(wǎng)絡(luò)的連續(xù)狀態(tài)空間，而集合 S 的熵可以代表網(wǎng)絡(luò)或者信息系統(tǒng) F 的總信息量。其中頂點(diǎn)的信息量衡量了網(wǎng)絡(luò)的表達(dá)能力，而邊中的信息量也是邊的熵，衡量了網(wǎng)絡(luò)的復(fù)雜度。對于 DAMO-YOLO 目標(biāo)檢測任務(wù)來說，我們主要關(guān)注的是網(wǎng)絡(luò)的表達(dá)能力能夠最大化。在實(shí)際的應(yīng)用中只關(guān)注網(wǎng)絡(luò)特征的熵。根據(jù)高斯分布微分熵，以及高斯熵上界定理，我們使用特征圖的方差來近似網(wǎng)絡(luò)特征熵的上界。

在實(shí)際操作中，我們首先用標(biāo)準(zhǔn)的高斯分布對網(wǎng)絡(luò) backbone 的權(quán)重進(jìn)行初始化，同時用一個標(biāo)準(zhǔn)的高斯噪聲圖片作為輸入。在高斯噪聲送入網(wǎng)絡(luò)前向傳遞后，可以得到若干個特征。然后計(jì)算每個尺度特征的單尺度熵，即方差，隨后通過加權(quán)得到多尺度熵。在加權(quán)過程中，用先驗(yàn)系數(shù)來平衡不同尺度特征表達(dá)能力，此參數(shù)一般會被設(shè)置為[0,0,1,1,6]。為什么會設(shè)置這樣，原因如下：因?yàn)樵跈z測模型中，一般特征都是分五個stage，即五種不同的分辨率，從 1/2 到 1/32。為了保持高效的特征利用，我們只利用后面 3 個 stage。所以其實(shí)前兩個 stage 不參與到模型的 prediction 中，所以是 0 和 0。另外三個我們經(jīng)過廣泛的實(shí)驗(yàn)，發(fā)現(xiàn) 1，1，6 是一個較好的模型配比。

基于上述核心原理，我們可以用網(wǎng)絡(luò)的多尺度熵作為性能代理，以凈化算法作為基本框架進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)搜索，這就構(gòu)成了完整的 MAE-NAS。NAS 有非常多的優(yōu)勢。首先它支持多種推理 budget 的限制，可以用 FLOPS，參數(shù)量，latency 還有網(wǎng)絡(luò)層數(shù)進(jìn)行一個模型搜索。其次，它還支持非常多的細(xì)粒度網(wǎng)絡(luò)結(jié)構(gòu)的變異。因?yàn)檫@里用進(jìn)化算法去進(jìn)行網(wǎng)絡(luò)搜索，所以如果支持的網(wǎng)絡(luò)結(jié)構(gòu)的變異體越多，搜索時自定義化程度和靈活程度都會更高。另外，為了方便用戶自定義搜索過程，我們提供了官方的教程。最后，也是最重要的一點(diǎn)，MAE-NAS 是 zero-short，即它的搜索不需要任何實(shí)際的數(shù)據(jù)參與，不需要任何的實(shí)際模型訓(xùn)練。它在 CPU 上進(jìn)行幾十分鐘的搜索，就可以產(chǎn)出在當(dāng)前的限制條件下的一個最優(yōu)網(wǎng)絡(luò)結(jié)果。

在 DAMO-YOLO 中，我們使用 MAE-NAS 以不同時延作為搜索目標(biāo)搜索 T/S/M 模型的骨干網(wǎng)絡(luò)；對搜索出的骨干網(wǎng)絡(luò)基礎(chǔ)結(jié)構(gòu)進(jìn)行包裝，小模型使用 ResStyle，大模型使用 CSPStyle。

從下表中可以看出 CSP-Darknet 是一個使用 CSP 結(jié)構(gòu)的人工設(shè)計(jì)的網(wǎng)絡(luò)，在 YOLO v 5 /V6 中也取得了一些廣泛的應(yīng)用。我們使用 MAE-NAS 產(chǎn)生一個基礎(chǔ)結(jié)構(gòu)，再用 CSP 包裝之后，發(fā)現(xiàn)模型在速度和精度上都有明顯的提升。另外在小模型上大家可以看到 MAE-ResNet 形式，精度會更高。在大模型上使用 CPS 結(jié)構(gòu)會有一個比較明顯的優(yōu)勢，可以達(dá)到 48.7。

如何使用 MAE-NAS 進(jìn)行 backbone 的搜索？這里介紹一下我們的 TinyNAS 工具箱，它已經(jīng)在 ModelScope上線了，通過網(wǎng)頁可視化配置就可以輕松得到想要的模型。同時， MAE-NAS 也已經(jīng)在 github上開源，有興趣的同學(xué)可以以開源代碼為基礎(chǔ)，更大自由度的搜索想要的模型。

接下來介紹 DAMO-YOLO 如何提升多尺度檢測能力，它是依賴于網(wǎng)絡(luò)的不同尺度特征的融合。在以往的檢測網(wǎng)絡(luò)中，不同尺度的特征，深度差異較大。比如大分辨率特征用來檢測小物體，但是它的特征深度又較淺，這個時候會影響小物體檢測性能。

我們在 ICLR2022 提出的一個工作——GFPN，以相同的優(yōu)先級同時處理高層語義信息和低層空間信息，對多尺度特征的融合互補(bǔ)非常友好。在 GFPN 的設(shè)計(jì)中，我們首先引入一個 skip layer，目的是為了使得 GFPN 能夠設(shè)計(jì)得更深。我們使用了一個 log2n-link 來進(jìn)行特征復(fù)用，減少冗余。

Queen fusion 是為了增加不同尺度特征和不同深度特征的交互融合。Queen fusion 中每一個節(jié)點(diǎn)除了接收它斜上方和斜下方的不同尺度特征，還接收同一特征深度上的不同尺度特征，極大的增加了特征融合時的信息量，促進(jìn)了多尺度信息在同一深度上的融合。

盡管 GFPN 的特征復(fù)用和獨(dú)特的連接設(shè)計(jì)帶來了模型精度上的提升。由于我們的 skip layer 和我們的 Queen fusion 帶來了在多尺度特征節(jié)點(diǎn)上的融合的運(yùn)算，還有上采樣下采樣的運(yùn)算，極大增加了推理耗時，難以滿足工業(yè)界的實(shí)施要求。所以其實(shí) GFPN 它是一個 FLOPS 高效，但是延遲低效的結(jié)構(gòu)。針對 GFPN 的一些缺陷，我們進(jìn)行分析，將原因歸結(jié)如下：

① 首先，不同尺度特征其實(shí)是共享通道數(shù)的，它存在很多的特征冗余，網(wǎng)絡(luò)配置也不夠靈活。

② 第二，在 Queen feature 中有上采樣和下采樣連接，上采樣和下采樣算子耗時提升顯著。

③ 第三，在節(jié)點(diǎn)堆疊的時候，同特征深度上的串行連接降低了 GPU 的并行效率， 并且每次堆疊帶來的串行路徑的增長非常顯著。

針對這些問題，我們進(jìn)行了相應(yīng)的優(yōu)化，提出了 Efficient RepGFPN。

在優(yōu)化時，主要分為兩類，一類是拓?fù)浣Y(jié)構(gòu)的優(yōu)化，另一類是融合方式的優(yōu)化。

拓?fù)浣Y(jié)構(gòu)優(yōu)化方面，Efficient RepGFPN 在不同尺度特征下使用不同的通道數(shù)，從而在輕量級計(jì)算量的約束下，能夠靈活地控制高層特征和低層特征的表達(dá)能力。在 FLOPS 和延遲近似的情況下，靈活的配置能夠得到最好的精度和速度效率。另外，我們還對 queen fusion 中的一個連接進(jìn)行了效率分析，發(fā)現(xiàn)上采樣算子負(fù)擔(dān)極大，但是精度提升較小，遠(yuǎn)遠(yuǎn)低于下采樣算子的收益。于是我們移除了 queen fusion 中的上采樣連接。表格中可以看到，斜下的勾其實(shí)是上采樣，往斜上的勾是下采樣，可以對照左側(cè)的圖去看，小分辨率逐漸往下變大分辨率，向右下的連接表示的是把小分辨率特征上采樣連接到大分辨率上，融合到大分辨率特征上面。最后的結(jié)論就是，下采樣算子的收益更高，上采樣算子收益非常低，所以我們移除了 Queen feature 中的上采樣連接，來提高整個 GFPN 的效率。

在融合方式方面，我們也進(jìn)行了一些優(yōu)化。首先固定融合節(jié)點(diǎn)的數(shù)目，這樣每個模型里面只做兩次融合，而不會像之前一樣通過不斷地堆疊融合來打造一個更深的 GFPN，這樣避免了串行鏈路的不斷增長導(dǎo)致的并行效率降低。另外我們專門設(shè)計(jì)了 fusion block 來進(jìn)行特征融合。fusion block 中我們引入重參數(shù)化機(jī)制和多層聚合連接等技術(shù)，進(jìn)一步提升融合效果。

除了 Neck 以外，檢測頭 Head 也是檢測模型的一個重要組成部分。它以 Neck 輸出的特征作為輸入，負(fù)責(zé)輸出回歸和分類的結(jié)果。我們設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證了 Efficient RepGFPN 與 Head 之間的 trade off，發(fā)現(xiàn)在嚴(yán)格控制模型 latency 的情況下，Efficient RepGFPN 的深度越深越好。于是在網(wǎng)絡(luò)設(shè)計(jì)中將計(jì)算量主要分配給 Efficient RepGFPN，而 Head 部分只保留一層用來進(jìn)行分類和回歸任務(wù)的線性投影。我們把只有一層分類和回歸一層非線性映射層的 Head，稱為 ZeroHead。而將這種計(jì)算量主要分配給 Neck 的一個設(shè)計(jì)模式稱為 HeavyNeck 范式。

最終 DAMO-YOLO 的模型結(jié)構(gòu)如下圖所示。

以上就是模型設(shè)計(jì)中的一些思考。最后來介紹一下蒸餾方案。

DAMO-YOLO 中取 Efficient RepGFPN 的輸出特征進(jìn)行蒸餾。student 特征會先經(jīng)過alignmodule，把它的通道數(shù)向 teacher 對齊。為了去除模型本身的偏置，student 和 teacher 的特征會經(jīng)過無偏的 BN 進(jìn)行歸一化，再進(jìn)行蒸餾 loss 計(jì)算。在蒸餾時，我們觀察到過大的 loss 會阻礙 student 本身分類分支的收斂。于是我們選擇使用一個隨著訓(xùn)練不斷衰減的動態(tài)權(quán)重。從實(shí)驗(yàn)結(jié)果中看，動態(tài)均蒸餾權(quán)重對于 T/S/M 模型都是魯棒的。

DAMO-YOLO 的蒸餾鏈條是，L 蒸餾 M，M 蒸餾 S。其中值得一提的是 M 蒸餾 S 時，M 使用的是 CSP 包裝，而 S 使用的是 Res 包裝，從結(jié)構(gòu)上講 M 和 S 是異構(gòu)的。但是在使用 DAMO-YOLO 的蒸餾方案，M 蒸餾 S，蒸餾后也能有 1.2 個點(diǎn)的提升，表明我們的蒸餾方案對異構(gòu)也是魯棒的。所以總結(jié)來說，DAMO-YOLO 的蒸餾方案調(diào)參 free ，支持全系列模型，并且異構(gòu)魯棒。

最后我們再對 DAMO-YOLO 進(jìn)行一下總結(jié)。DAMO-YOLO 結(jié)合 MAE-NAS 技術(shù)，能夠進(jìn)行低成本的模型自定義，充分發(fā)揮芯片算力；結(jié)合 Efficient RepGFPN 以及 HeavyNeck 范式，提升了多尺度檢測能力，模型應(yīng)用范圍廣泛；借助全尺度蒸餾方案，可以進(jìn)一步提升模型效率。

DAMO-YOLO 模型已在 ModelScope 上線，并在 github 開源，歡迎大家試用。

五、DAMO-YOLO發(fā)展計(jì)劃

DAMO-YOLO 剛發(fā)布不久，還有許多需要完善和優(yōu)化的地方。我們計(jì)劃在短期內(nèi)進(jìn)行部署工具的完善和 ModelScope 的支持。另外還會基于組內(nèi)的競賽冠軍方案提供更多的應(yīng)用范例，比如無人機(jī)小目標(biāo)檢測以及旋轉(zhuǎn)目標(biāo)檢測等。還計(jì)劃推出更多的范例模型，包括面向端上的 Nano 模型和云上的 Large 模型。最后，希望大家保持關(guān)注，積極反饋。