摘要
我们在之前 PP-YOLOv2 的基础上进行了优化，使用 无锚 范式，更强大的主干和颈部配备了
CSPRepResStage 。 ET-head 和动态标签分配算法 TAL 。
1 、介绍
受 YOLOX 的启发，我们进一步优化了之前的工作 PP-YOLOv2 。 PP-YOLOv2 是一款高性能单级探测器。基于PP-YOLOv2 ，我们提出了一个 YOLO 的进化版本，命名为 PP-YOLOE 。 PP-YOLOE 避免使用像可变形 卷积和矩阵NMS 这样的运算符来在各种硬件上得到很好的支持。此外， PP-YOLOE 可以很容易地扩展到 具有不同计算能力的各种硬件的一系列模型。这些特性进一步推动了PP-YOLOE 在更广泛的实际场景中 的应用。
2 、方法
本节中，我们将首先回顾我们的基线模型，然后从网络结构、标签分配策略、头部结构和损失函数等方面详细介绍PP-YOLOE 的设计，如图 2 所示。
2.1PP-YOLOv2 简介
PP-YOLOv2 的整体架构包括具有可变形卷积的 ResNet50-vd 的主干、具有 SPP 层和 DropBlock 的 PAN 颈部以及轻量级IoU 感知头。在 PP-YOLOv2 中， ReLU 激活功能用于主干，而 mish 激活功能用于颈部。在YOLOv3之后， PP-YOLOv2 仅为每个 ground truth 对象分配一个 anchor 盒。除了分类损失、回归损失和对象损失外，PP-YOLOv2 还使用 IoU 损失和 IoU 感知损失来提高性能。
2.2 PP-YOLOE 的改进
anchor free 。如上所述， PP-YOLOv2 以基于锚的方式分配 ground truth ，然而， anchor 机制引入了许多超参数，并依赖手工设计，这可能无法在其他数据集上很好的推广。基于上述原因，在PP-YOLOv2 中 引入了无锚方法。在 FCOS 之后，我们为三个检测头设置上限和下限，以将 ground truth 分配给相应的 特征图 。 然后，计算边界框的中心，以选择最近的像素作为正样本 。在 YOLO 系列之后，预测 4D 向量 （x,y,w,h) 用于回归。尽管根据 PP-YOLOv2 的锚点大小仔细设置了上下限，但基于锚点和无锚点的方式之间的分配结果仍然存在小的不一致，这可能会导致精度下降。
Backbone 和 Neck . 残差连接和密集连接已被广泛用于现代卷积神经网络。 残差连接 引入了 缓解梯度消 失问题的捷径 ，也可以被视为一种模型集成方法。 密集连接聚合 了具有 不同感受野的中间特征 ，在对象检测任务中表现出良好的性能。CSPNet 利用跨级密集连接在不损失精度的情况下降低计算负担，这在YOLOv5、 YOLOX 等有效物体探测器中很受欢迎。 VoVNet 和随后的 TreeNet 在对象检测和实例分割方面也表现出优异得性能。受这些工作的启发，我们提出了一种新的RepResBlock ，将残差连接和密集连接相结合，用于我们的主干和颈部。源自TreeBlock ，我们的 RepResBlock 如图 3(b) 所示，在训练阶段，在推理阶段如图3(c) 所示。首先，我们 简化了原始 TreeBlock （如图 3(a) ）。然后，我们 将级联运算替换为 逐元素加法运算 （图 3 （ b)) ，因为这两个运算在某种程度上是近似的，如 RMNet 。因此，在推理阶段， 我们将RepResBlock 重新参数化为基本残差块（图 3(c)) ，由 ResNet-34 以 RepVGG 风格使用。我们 使用建
议的 RepResBlock 来构建主干和颈部 。与 ResNet 类似，我们的 主干名为 CSPRepResNet ， 包含一个由 三个卷积层组成的主干和由我们的 RepResBlock 堆叠的四个后续阶段，如图 3(d) 所示。
在每个阶段，使用跨阶段部分连接来避免大量 3x3 卷积层带来的大量参数和计算负担。 ESE （有效挤压和 提取）层也用于在每个 CSPRepResStage 中施加通道注意力 ，同时构建主干。我们在 PP-YOLOv2 之后使用拟议的RepResBlock 和 CSPRepResBlock 构建颈部。与主干不同， 推理阶段， RepResBlock 中的快捷 方式和 CSPRepResStage 中的 ESE 层在颈部被删除 。
我们使用宽度系数 
和 深度系数 
来 联合缩放基本骨干和颈部，如 YOLOv5 。因此，我们可以得到一 系列具有不同参数和计算成本的检测网络。基于主干的宽度设置为 [64,128,256,512,1024] 。除主干外 基本主干的深度设置为 [3,6,6,3] 。基本颈部的宽度设置和深度设置分别为 [192,384,768] 和 3. 表 1 显示了不 同模型的宽度系数和深度系数的规格。如表 2 所示，此类修改可获得 0.7% 的 AP 性能改进。
和 深度系数 来 联合缩放基本骨干和颈部，如 YOLOv5 。因此，我们可以得到一 系列具有不同参数和计算成本的检测网络。基于主干的宽度设置为 [64,128,256,512,1024] 。除主干外 基本主干的深度设置为 [3,6,6,3] 。基本颈部的宽度设置和深度设置分别为 [192,384,768] 和 3. 表 1 显示了不 同模型的宽度系数和深度系数的规格。如表 2 所示，此类修改可获得 0.7% 的 AP 性能改进。 TAL （任务协调学习） 。为了进一步提升性能，标签分配是需要考虑的另一个方面。 YOLOX 使用
SimOTA 作为标签分配策略来提高性能。然而，为了进一步克服分类和定位的错位， 在 TOOD 中提出了任 务对齐学习（ TAL ） ，它由动态标签分配和任务对齐损失组成。动态标签分配意味着预测 / 损失感知。 根 据预测，它为每个 ground truth 分配动态数量的正锚 。 通过明确对齐这两个任务， TAL 可以同时获得最 高的分类分数和最精确的边界框。
对于任务对齐损失， TOOD 使用标准化的t，即 
来替换 损失中的目标。它 采用每个实例中最大的 IoU 作 为规范化 。 分类的二进制交叉熵（ BCE ）可以重写为：
来替换 损失中的目标。它 采用每个实例中最大的 IoU 作 为规范化 。 分类的二进制交叉熵（ BCE ）可以重写为： 
我们使用不同的标签分配策略来研究性能。我们在上述修改后的模型上进行了实验，该模型以
CSPRepResNet 为主干。使用 TAL 来取代 FCOS 风格的标签分配。
高效任务协调 Head （ ET-head ） 。在目标检测这中，分类和定位之间的任务冲突是一个众所周知的问题。许多论文[5,33,16,31] 提出了相应的解决方案。 YOLOX 的解耦头借鉴了大多数一级和两级探测器的 经验 ，并成功应用于 YOLO 模型，提高了精度。 然而 ， 解耦的头部可能会使分类和定位任务分离和独 立，并且缺乏特定任务的学习 。 基于 TOOD ，我们改进了 head ，并提出了 ET-head ，目标是速度和准确性。如图2 所示，我们 使用 ESE 代替 TOOD 中的层注意力 ， 将分类分支的对齐简化为快捷方式，并用分布 焦点损失（ DFL ）层代替回归分支的对齐 。经过上述变化， ET 头在 v100 上增加了 0.9ms
对于分类和定位任务的学习，我们分别选择变焦距损失（ VFL ）和分布焦距损失（ DFL ） 。 PP-Picodet成功地将VFL 和 DFL 应用于物体探测器，并获得了性能的提高。对于 [33] 中的 VFL ，和 [16] 中的质量焦点损失（QFL ）不同， VFL 使用目标分数来加权阳性样本的损失 。这种实现使得具有高 IoU 的正样本对损耗的贡献相对较大。这也使得模型在训练时更加关注高质量的样本，而不是那些低质量的样本。相同的是，两者都使用 IoU 感知分类得分（ IACS ）作为预测目标 。这可以有效地学习分类得分和定位质量估计的联合表示，从而实现训练和推理之间的高度一致性。对于DFL ，为了解决边界框表示不灵活的问题， [16]提出使用一般分布预测边界框。我们的模型受损失函数的监督：
、model.fuse()及model.fuse.eval()介绍)
