【要闻】YOLOv5是真的吗?并不比YOLOv4强,不配这个名字
本篇文章4431字,读完约11分钟
yolov4发布后不到两个月,yolov5这个目标检测框架就出生在横向空,你真的有资格继承yolo的名字,继承社区认可的版本号吗? 工程师ritesh kanjee最近在medium上从事实和社区的角度给出了否定的答案,批评了这种“欺诈名”的行为。
年4月23日,yolov4发布了……
年6月10日,yolov5又来了……
厉害吗? 这不是说明我们的研究和技术正在迅速发展吗? 最终,这个受欢迎的目标检测框架的下一代v4版本刚刚上市,下一代v5版本诞生在横向空。 yolov5真的很厉害吗? 还是只是个噱头? 本文尽量客观地研究其中一个相关证据,看看yolov5到底名副其实地正确与否。
来源: github/ultralytics/yolov5
首先简单介绍yolo。 yolo是实时目标检测框架,意味着you only look once (只看一次)。 也就是说,检测对象的图像只通过一次全卷积神经网络( fcnn )。 为了篇幅方便,本文不介绍yolo的技术细节。 有兴趣的网民,来了机械中心的副本“教程|单段式目标检测方法概要: yolo和ssd”和“yolo v4”。 连接者出现了,速度效果提高了”。
事情回顾
是的,我要回yolov5。 ultralytics的创始人兼ceo glenn jocher在github上宣布了yolov5的开源安装。 根据ultralytics的github页面,这是当前已知的所有yolo实现中当前的最佳( sota )。
项目地址: github/ultralytics/yolov5
他们发表的结果是,yolov5的表现优于Google开源的目标检测框架efficientdet,但本文的作者ritesh kanjee是否不确定yolov5的开发者与yolov4进行比较呢? 相比之下,yolov4的基准结果是50 fps得到的,请参见blog.robo flow.ai/yolo V5-is-herestate-of-the-art
来源: blog.robo flow.ai/yolo V5-is-here /
不仅如此,据说“yolov5的大小只有27 mb”。 》:采用darknet体系结构的yolov4为244 mb。 这说明yolov5真的很小,比yolov4小近90%。 这太疯狂了!
精度指标中“yolov5相当于yolov4”。
总结起来,因为yolov5声称自己的速度非常快,具有非常轻的型号尺寸,在精度方面相当于yolov4标准。
想想看。 如果playstation和xbox推出了与以前的游戏机具有同样图形性能的新游戏机,则加载时间快,体积小。 这可以说是新一代游戏机吗? 像ps4 slim和xbox one s等,只是现代游戏机的轻量版本吧?
问题
那么就发生问题了。
你能主张开源技术是自己的吗? 还是不是第一个创立者? 这一定有争议。 使用相同的框架进行一些更改。 这样可以采用这个企业品牌并写入自己的版本号吗? yolo v5是这种情况。 这几乎取决于框架的原始作者。
你可能听说yolo的原始创始人joseph redmon于去年2月宣布退出计算机视觉研究行业。 因为他认为自己的智力成果yolo带来了一些不好的社会影响。 他说:
“我爱自己的作品,但不能忽视在军事行业的应用和对隐私的风险。 "。
redmon与ali faradi合作,为yolo重复了3代版本。
之后不久的一年4月,yolov4诞生了,但原始作者没有人参加,开发小组成为了bochkovskiy et. al .。 这篇论文发表了,经过同行评议,其github代码进入alexeyab/darknet代码库,一切看起来都很顺利,而且由此进行的技术升级也很棒,得到了计算机视觉社区的接受和同意 这是否意味着如果bochkovskiy et. al .可以这样操作,其他任何人都可以根据yolo框架稍微改进,主张新一代的版本? 这正是实际发生的事件。
ultralytics的创始人兼ceo glenn jocher像扔炸弹一样释放了yolov5。 所以会有疑问吧。 这个yolov5不够吗? 还是噱头还是诈骗? 不要急于下结论,分解事实证据吧。
证据
首先,在本论文撰写时,ultralytics证明没有发表经过同行评议的yolov5论文。 这证明了一些事情。 他们没有节操。
是的,写论文需要时间。 而且,ultralytics是公司啊。 不是研究机构。 但是,在论文还没有出版的情况下,我们能信任这个实现吗? bochkovskiy et. al .在发表yolov4时,不仅发表了明亮的结果,还发表了论文。
社区的反应
接下来,我们来看看相关社区对这种所谓的“下一代”模式的反应,以查明yolov5是否足够。 这包括他们的分解和判断。 我去谷歌调查了yolov5的相关问题,找到了kaggle等新闻来源。
来源: ka ggle/c/global-wheat-detection/discussion/158371
您可以看到来自客户mr. hurtik的评论。
“yolov5其实是yolov3改了名字。 图表看起来不错,但很迷惑人。 》然后提供了yolov4作者alexeyab的代码库链接: Github/Alexey AB/Darknet/ISSUE/5920。
这个github页面(现在关闭)有两个链接声称yolov5已经登场。 这两个链接分别指向ultralytics yolov5代码库和上述roboflow博客。 另一个链接是y-combinator对上述两个新闻来源的讨论。 news.ycombinator/item? id=23478151
阅读里面的社区讨论,很多人对yolov5持怀疑态度,也有指责“bullshit”的发言。 yolov5完全没有进行与yolov4同等条件下的研究,换言之,据说想进行世代交替,但也没有进行基本的比较。
客户anthiras说他不相信roboflow的yolov5复印件。 小90%的模型可以提供接近的精度,所以不可能。 yolov5代码库本身显示了相当于yolov4的性能。
joshvm说:“我想yolov5没有发出有消息的证书。 顺便说一下,如果你以前见过什么问题,你会发现alexeyab的分支基本上处理了这些问题。 这是因为有版本冲突。 ultralytics可能原本打算命名为yolov4。 这个软件库已经开发出来了。 "。
bochkovskiy的判断
回到alexeyab的github讨论,roboflow.ai博客的比较结果无效时,会看到alexey的评论。 继续说明延迟不应该用32的批量测量,而应该采用等于1的批量。 因此,延迟是完整的数据解决周期的时间,必须少于解决整个数据批的时间,根据批大小,最多可能需要一秒钟。 批处理大小越大,延迟就越大。
在yolov5主张小( 27mb )方面,alexey继续反驳:
他们比较了microsoft coco中26-36% ap精度非常低的ultralytics版小yolov5 (27 mb )和microsoft coco中41-43% ap精度非常高的yolov4(245mb )。
在速度方面,yolov5宣布将达到140 fps。 alexey先生也同样说:
“他们将非常小、精度非常低的ultralytics-yolov5与非常准确、非常大的yolov4的速度进行了比较。 他们不提供比较的大部分重要细节。 你采用的是yolov5的哪个版本呢? s\l\x? 你采用了什么样的训练和测试计划? yolov4和ultralytics-yolov5采用了多少测试批大小? 他们没有在公认的microsoft coco数据集上使用同等的设置进行测试,没有在microsoft coco codalab的判断服务器上进行测试,因此可以减少人为操作实验结果的可能性 "。
因此,ultralytics这种所谓的yolov5的实现看起来不好。 但是看问题要全面,不要只说一方的看法。 看看ultralytics的glenn jocher和roboflow.ai的人是怎么说的。
响应。
现在我们听到社区的责备声,你可能觉得yolov5确实可疑,不可靠……但不要匆忙下结论。 在那之前看看被告的反驳证词。
ultralytics的glenn jocher在关于yolov5的发表和命名问题上写了短文回应: Github/Ultralytics/Yolo V5/ISSUES/2。 他的答案的核心是他们写论文展示他们的结果和训练方法,但他们的资源非常有限,为了保证商业稳定必须保持收支平衡。 确实,这个时间很辛苦,有些企业只能发售测试版的产品……嗯,那是真的吧。
他继续谈论他们的模型,说yolov5的实现不是静态的,现在也没有完全完成。 虽然没有发布任何未完成的模型,但是yolov5声称比yolov4更好。 这是理所当然的。 他必须弄清楚这个项目还在开发中。 另外,除了在基于代码的副本中明确以外,在比较、判断、代码等方面也必须明确。 另外,你不应该在yolov后面加5。 这意味着比上一代更好,所以容易混乱。
保留和遵守命名规则其实非常重要。 glenn说yolov5是这个事业的内部命名代码,这里采用的名字对他们来说不重要……嗯,把yolov5采用为内部命名其实没什么。 毕竟,你怎么命名都行。 项目XYZ、yolo、kolo、polo、zolo……随便选。 但是你发布项目的时候,命名不能随心所欲。 应该直观易懂。 你应该符合实际。 加上v5你不应该撒谎让我相信你是现在yolo模式的sota。
关于roboflow,没有必要批评yolov5的事件,但他们相信这是真的吗,太天真了。 他们建议下次判断模型时做一点工作,用合适的方法应对模型。 之后,他们在博客上写道“应对yolov5相关争论”: blog.robo flow.ai/yolo v4-versus-yolo V5。 这个复印件长期以来他们在文章中承认了自己的错误,全面重新比较了yolov4和yolov5,其结果已经在前面讨论过了。
另外,他们必须拆除宣传那个yolov5的复印件“yolov5来了: 140 fps现在的最高目标检测器”,至少应该改变标题,说出ultralytics这个模型实现的真相。
总结一下
基于以上事实,我们发现yolov4依然是yolo进化之路的sota。 虽然可以根据别人的研究成果进一步开发(当然在合理的许可下),但是采用yolov5作为型号名的方法对计算机视觉社区是没有帮助的。
yolov5比yolov4差,不是官方的。 来自karol majek
标题:【要闻】YOLOv5是真的吗?并不比YOLOv4强,不配这个名字
地址:http://www.huarenwang.vip/new/20181024/11.html
免责声明:兰州日报网致力于为网友提供兰州最新的资讯,部分内容来自于网络,不为其真实性负责,只为传播网络信息为目的,非商业用途,如有异议请及时联系btr2031@163.com,兰州日报网将予以删除。