算法组合替换教程¶
Loss 组合替换教程¶
OpenMMLab 2.0 体系中 MMYOLO、MMDetection、MMClassification 中的 loss 注册表都继承自 MMEngine 中的根注册表。 因此用户可以在 MMYOLO 中使用来自 MMDetection、MMClassification 中实现的 loss 而无需重新实现。
替换 YOLOv5 Head 中的 loss_cls 函数¶
假设我们想使用
LabelSmoothLoss作为loss_cls的损失函数。因为LabelSmoothLoss已经在 MMClassification 中实现了，所以可以直接在配置文件中进行替换。配置文件如下：
# 请先使用命令： mim install "mmcls>=1.0.0rc2"，安装 mmcls
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
loss_cls=dict(
_delete_=True,
_scope_='mmcls', # 临时替换 scope 为 mmcls
type='LabelSmoothLoss',
label_smooth_val=0.1,
mode='multi_label',
reduction='mean',
loss_weight=0.5)))
假设我们想使用
VarifocalLoss作为loss_cls的损失函数。因为VarifocalLoss在 MMDetection 已经实现好了，所以可以直接替换。配置文件如下：
model = dict(
bbox_head=dict(
loss_cls=dict(
_delete_=True,
_scope_='mmdet',
type='VarifocalLoss',
loss_weight=1.0)))
假设我们想使用
FocalLoss作为loss_cls的损失函数。配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
loss_cls= dict(
_delete_=True,
_scope_='mmdet',
type='FocalLoss',
loss_weight=1.0)))
假设我们想使用
QualityFocalLoss作为loss_cls的损失函数。配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
loss_cls= dict(
_delete_=True,
_scope_='mmdet',
type='QualityFocalLoss',
loss_weight=1.0)))
替换 YOLOv5 Head 中的 loss_obj 函数¶
loss_obj 的替换与 loss_cls 的替换类似，我们可以使用已经实现好的损失函数对 loss_obj 的损失函数进行替换
假设我们想使用
VarifocalLoss作为loss_obj的损失函数
model = dict(
bbox_head=dict(
loss_obj=dict(
_delete_=True,
_scope_='mmdet',
type='VarifocalLoss',
loss_weight=1.0)))
假设我们想使用
FocalLoss作为loss_obj的损失函数。
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
loss_cls= dict(
_delete_=True,
_scope_='mmdet',
type='FocalLoss',
loss_weight=1.0)))
假设我们想使用
QualityFocalLoss作为loss_obj的损失函数。
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
loss_cls= dict(
_delete_=True,
_scope_='mmdet',
type='QualityFocalLoss',
loss_weight=1.0)))
注意¶
在本教程中损失函数的替换是运行不报错的，但无法保证性能一定会上升。
本次损失函数的替换都是以 YOLOv5 算法作为例子的，但是 MMYOLO 下的多个算法，如 YOLOv6，YOLOX 等算法都可以按照上述的例子进行替换。
Model 和 Loss 组合替换¶
在 MMYOLO 中，model 即网络本身和 loss 是解耦的，用户可以简单的通过修改配置文件中 model 和 loss 来组合不同模块。下面给出两个具体例子。
(1) YOLOv5 model 组合 YOLOv7 loss，配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
bbox_head=dict(
_delete_=True,
type='YOLOv7Head',
head_module=dict(
type='YOLOv5HeadModule',
num_classes=80,
in_channels=[256, 512, 1024],
widen_factor=0.5,
featmap_strides=[8, 16, 32],
num_base_priors=3)))
(2) RTMDet model 组合 YOLOv6 loss，配置文件如下：
_base_ = './rtmdet_l_syncbn_8xb32-300e_coco.py'
model = dict(
bbox_head=dict(
_delete_=True,
type='YOLOv6Head',
head_module=dict(
type='RTMDetSepBNHeadModule',
num_classes=80,
in_channels=256,
stacked_convs=2,
feat_channels=256,
norm_cfg=dict(type='BN'),
act_cfg=dict(type='SiLU', inplace=True),
share_conv=True,
pred_kernel_size=1,
featmap_strides=[8, 16, 32]),
loss_bbox=dict(
type='IoULoss',
iou_mode='giou',
bbox_format='xyxy',
reduction='mean',
loss_weight=2.5,
return_iou=False)),
train_cfg=dict(
_delete_=True,
initial_epoch=4,
initial_assigner=dict(
type='BatchATSSAssigner',
num_classes=80,
topk=9,
iou_calculator=dict(type='mmdet.BboxOverlaps2D')),
assigner=dict(
type='BatchTaskAlignedAssigner',
num_classes=80,
topk=13,
alpha=1,
beta=6)
))
Backbone + Neck + HeadModule 的组合替换¶
1. YOLOv5 Backbone 替换¶
(1) 假设想将 RTMDet backbone + yolov5 neck + yolov5 head 作为 YOLOv5 的完整网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
widen_factor = 0.5
deepen_factor = 0.33
model = dict(
backbone=dict(
_delete_=True,
type='CSPNeXt',
arch='P5',
expand_ratio=0.5,
deepen_factor=deepen_factor,
widen_factor=widen_factor,
channel_attention=True,
norm_cfg=dict(type='BN'),
act_cfg=dict(type='SiLU', inplace=True))
)
(2) YOLOv6EfficientRep backbone + yolov5 neck + yolov5 head 作为 YOLOv5 的完整网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
backbone=dict(
type='YOLOv6EfficientRep',
norm_cfg=dict(type='BN', momentum=0.03, eps=0.001),
act_cfg=dict(type='ReLU', inplace=True))
)
2. YOLOv5 Neck 替换¶
(1) 假设想将 yolov5 backbone + yolov6 neck + yolov5 head 作为 YOLOv5 的完整网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
model = dict(
neck = dict(
type = 'YOLOv6RepPAFPN',
in_channels = [256, 512, 1024],
out_channels = [128, 256, 512], # 注意 YOLOv6RepPAFPN 的输出通道是[128, 256, 512]
num_csp_blocks = 12,
act_cfg = dict(type='ReLU', inplace = True),
),
bbox_head = dict(
head_module = dict(
in_channels = [128, 256, 512])) # head 部分输入通道要做相应更改
)
(2) 假设想将 yolov5 backbone + yolov7 neck + yolov5 head 作为 YOLOv5 的完整网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
deepen_factor = _base_.deepen_factor
widen_factor = _base_.widen_factor
model = dict(
neck = dict(
_delete_=True, # 将 _base_ 中关于 neck 的字段删除
type = 'YOLOv7PAFPN',
deepen_factor = deepen_factor,
widen_factor = widen_factor,
upsample_feats_cat_first = False,
in_channels = [256, 512, 1024],
out_channels = [128, 256, 512],
norm_cfg=dict(type='BN', momentum=0.03, eps=0.001),
act_cfg = dict(type='SiLU', inplace=True),
),
bbox_head = dict(
head_module = dict(
in_channels = [256, 512, 1024])) # 注意使用 YOLOv7PAFPN 后 head 部分输入通道数是 neck 输出通道数的两倍
)
3. YOLOv5 HeadModule 替换¶
(1) 假设想将 yolov5 backbone + yolov5 neck + yolo7 headmodule 作为 YOLOv5 的完整网络，则配置文件如下：
_base_ = './yolov5_s-v61_syncbn_8xb16-300e_coco.py'
strides = [8, 16, 32]
num_classes = 1 # 根据自己的数据集调整
model = dict(
bbox_head=dict(
type='YOLOv7Head',
head_module=dict(
type='YOLOv7HeadModule',
num_classes=num_classes,
in_channels=[256, 512, 1024],
featmap_strides=strides,
num_base_priors=3)))