作者：忻怡、周楼、谦言、临在

目标检测（object detection）旨在定位并识别出图像中的目标物体，一直以来都是计算机视觉领域研究的热点问题，也是自动驾驶、目标追踪等任务的基础。近年来，优秀的目标检测算法不断涌现，其中单阶段的 YOLO 系列以其高效、简洁的优势，始终是目标检测算法领域的一个重要分支。2021 年，旷视提出 YOLOX[1]算法，在速度和精度上构建了新的基线，组件灵活可部署，深受工业界的喜爱。本文基于阿里云 PAI-EasyCV 框架复现 YOLOX 算法，探究用以实际提升 YOLOX 精度的实用技巧，并进一步结合阿里巴巴计算平台 PAI 自研的 PAI-Blade 推理加速框架优化模型性能。经过我们对社区诸多 YOLOX 改进技巧的复现和探索，进一步提升了 YOLOX 的性能，在速度和精度上都比现阶段的 40~50mAP 的 SOTA 的 YOLOv6 更胜一筹。同时，PAI-EasyCV 提供高效简洁的模型部署和端到端推理接口，供社区快速体验使用 YOLOX-PAI 的功能。

总结一下我们的工作贡献：

1. 我们提供了一套 Apache License 训练/优化/推理的代码库以及镜像，可以实现当前社区 40+MAP 量级最快（相比 YOLOV6 +0.4mAP/加速 13~20%）的目标检测模型。
2. 我们调研了 YOLOX 相关的改进技术和消融实验，挑选了其中一些相对有帮助的改进，补齐了 40/0.7ms(YOLOXS)~47.6/1.5ms(YOLOXM) 之间的模型，并以配置的方式提供出来。
3. 我们对目标检测的端到端推理进行灵活封装及速度优化，在 V100 上的端到端推理为 3.9ms，相对原版 YOLOX 的 9.8ms，加速接近 250%，供用户快速完成目标检测推理任务。

本文，我们将逐一介绍所探索的相关改进与消融实验结果，如何基于 PAI-EasyCV 使用 PAI-Blade 优化模型推理过程，及如何使用 PAI-EasyCV 进行模型训练、验证、部署和端到端推理。欢迎大家关注和使用 PAI-EasyCV 和 PAI-Blade，进行简单高效的视觉算法开发及部署任务。

PAI-EasyCV 项目地址：​ ​https://github.com/alibaba/EasyCV​​

PAI-BladeDISC 项目地址：​ ​https://github.com/alibaba/BladeDISC​​

YOLOX-PAI-算法改进

YOLOX-PAI 是我们在阿里云机器学习平台 PAI 的开源计算机视觉代码库 EasyCV(​ ​https://github.com/alibaba/EasyCV​​​)中集成的 YOLOX 算法。若读者不了解 YOLOX 算法，可以自行学习(可参考：​ ​链接​​)，本节主要介绍我们基于 YOLOX 算法的改进。

通过对 YOLOX 算法的分析，结合检测技术的调研，我们从以下 4 个方向对原版的 YOLOX 进行优化，

1. Backbone : repvgg backbone
2. Neck : gsconv / asff
3. Head : toods / rtoods
4. Loss : siou / giou

在算法改进的基础上，利用 PAI-Blade 对优化后的模型进行推理优化，开发了如下的 PAI-YOLOX 模型。筛选有效改进与现有主流算法的对比结果如下：

（ -ASFF 代表使用了 NeckASFF， -TOODN 代表使用 N 个中间层的 TOODHead 取代原有的 YOLOXHead）

从结果中可以看到，相比目前同水平(1ms 以内)SOTA 的 YOLO6 模型，融合上述改进的 YOLOX-PAI 在同等精度/速度的条件下有一定的速度/精度优势。

有关测评需要注意以下几点：

1. YOLOV6 release 测试速度不包含 decode 和 nms，所以我们为了公平对比，也进行了相关测速设置的关闭。（上表所示结果计算了 Blade 优化后的对应模型在 bs32 下平均一张图像模型前向推理所用时间，关于端到端推理的时间（包含图像前、后处理的总用时）见 PAI-EasyCV Export 一节）
2. YOLOV6 release 的精度是在训练过程中测试的，会出现部分 shape=672 的情况，然而测速是在导出到 image_size=(640, 640) 的完成，实际上社区也有相关同学补充了 YOLOV6 在 640 下的测试精度，所以上表放了两个测试精度。
3. 使用 EasyCV 的 Predictor 接口加载相关模型预测进行从图片输入到结果的预测，由于包含了预处理和 NMS 后处理，相对应的时间会变慢一些，详细参考端到端优化结果。

下面我们将详细介绍每一个模块的改进和消融实验。

Backbone

RepConv

近期 YOLO6 [2]，PP-YOLOE [3]等算法都改进了 CSPNet[4]的骨干网络，基于 RepVGG[5]的思想设计了可重参数化的骨干网络，让模型在推理上具有更高效的性能。我们沿用了这一思想，利用 YOLO6 的 EfficientRep 代替 YOLOX 原来的 CSPDarkNet-53 骨干网络。得到的实验结果与 YOLO6 相关模型对比如下（YOLOX-Rep 表示使用了 EfficientRep 作为骨干网络的 YOLOX 模型）：

RepVGG 结构的网络设计确实会增大参数量和计算量，但实际推理速度都更有优势，所以我们选择 YOLO6 EfficientRep 作为可以配置的 Backbone。

在更换了骨干网络的基础上，我们对 Neck 部分分别进行了两方面的探究。

1. ASSF[6]：基于对 PAN 输出特征维度变换后基于 SE-Attention 特征融合的特征增强，大幅提升参数量和精度，部分降低推理速度。
2. ASSF-Sim ： 我们选取了参数量更低的特征融合实现，用较少的参数量（ASFF:5M -> ASFF-Sim:380K）来保留了 84%的精度精度提升（+0.98map->+0.85map）。然而，这一改进会让推理速度变慢，未来我们会针对这个 OP 实现对应的 Plugin 完成推理加速。
3. GSNeck[7] ：基于 DW Conv 对 Neck 信息融合，降低 Neck 参数量，轻微提升精度，也会会降低推理速度。

ASFF 信息融合

ASFF，通过进行不同 PAN 不同特征图之间的信息交互，利用 attention 机制完成 Neck 部分的信息融合和增强，具体思想如下图。

ASFF-SIM 轻量版

参考 YOLO5[8]中的 Fcous 层的设计，PAI-EasyCV 利用切片操作进行特征通道的增加和特征图的缩小。同时，利用求平均操作进行通道的压缩，基于这种实现的 ASFF，我们简单区分为 ASFF-Sim。我们进行特征图统一的核心操作（通道扩展和通道压缩）如下：

针对不同的特征图，其融合机制如下：

GSConvNeck

采用 DWConv 降低参数量是一种常用技巧，在 YOLOX 中，GSconv 设计了一种新型的轻量级的卷积用来减少模型的参数和计算量。为了解决 Depth-wise Separable Convolution (DSC)在计算时通道信息分离的弊端，GSConv（如下图所示）采用 shuffle 的方式将标准卷积（SC）和 DSC 得到的特征图进行融合，使得 SC 的输出完全融合到 DSC 中。

此外，GSConv 原文指出，如果在整个网络都使用 GSconv，则会大大加深网络的深度，降低模型的推理速度，而仅在通道信息维度最大，空间信息维度最小的 Neck 处使用 GSConv 是一种更优的选择。我们在 YOLOX 中利用 GSConv 优化模型，特别的我们采用了两种方案分别进行实验(a: 仅将 Neck 的部分用 GSConv，b: Neck 的所有模块均使用 GSConv)：

所得到的实验结果如下（仅统计 Neck 部分的 Params, Flops）。可以看到 GSConv 对参数量进行了优化，且提升了模型的性能，降低 3%的推理速度可以换来 0.3mAP 的提升。

参考 PPYOLOE，我们同样考虑利用 TOOD[9]算法中的 Task-aligned predictor 中的注意力机制（T-Head）分别对分类和回归特征进行增强。如下图所示，特征先通过解耦头的 stem 层(1x1)进行通道压缩，接着由通过堆叠卷积层得到中间的特征层，再分别对分类和回归分支利用注意力机制进行特征的增强，来解耦两个任务。

我们对堆叠的中间层个数进行消融实验，每堆叠可以进一步提升一定的精度，并带来速度上的一些损失。(下表的 Params 和 Flops 只统计了检测头部分。测速及精度基于的基线方法为以 EfficientRep 为 backbone + ASFF 进行特征增强。)

此外，我们利用 RepVGGBlock 分别优化 inter_conv，cls_conv/reg_conv 层。实验结果表明用 RepVGGBlock 实现 inter_conv 层会带来性能上的下降，而 RepVGGBlock 实现的 cls_conv/reg_conv 层与原始卷积层在 stack 较大时效果相当,在 stack 比较小时，RepVGGBlock 能起到优化作用。

Loss function

S/G/D/E/CIou

PAI-EasyCV 实现了社区常用的集中 IOU 损失函数，用户可以通过 config 自行选择，特别的，对于最新提出的 SIoU[10]，在实验过程中发现原公式中的反三角函数会使得模型训练不稳定，且计算开销相对较高，我们对原公式利用三角函数公式化简可得（符号与论文原文一致，详见原论文）：

实验结果显示，在 YOLOX 上引入 SIoU 训练模型的确能加快模型的收敛速度，但在最终精度上使用 GIoU[11]性能达到最优。

综合上述 Backbone/Neck/Head/Loss 方向的改进，我们可以获得如上的 YOLOX-PAI 模型。进一步，我们采用 PAI-Blade 对已经训练好的模型进行推理优化，实现高性能的端到端推理。

YOLOX-PAI-推理优化

PAI-EasyCV Predictor

针对使用 PAI-EasyCV 训练的 YoloX-PAI 模型，用户可以使用 EasyCV 自带的导出(export)功能得到优化后的模型，并使用 EasyCV Predictor 进行端到端的推理。 该导出功能对检测模型进行了如下优化：

• 使用 PAI-Blade 优化模型推理速度，简化对模型的推理加速（TensorRT/编译优化）开发流程。
• 支持 EasyCV 配置 TorchScript/PAI-Blade 对图像前处理、模型推理、图像后处理分别优化，供用户灵活使用
• 支持 Predictor 结构端到端的模型推理优化，简化图片预测过程。

也可以参考​ ​[EasyCV detector.py]​​​ 自行组织相应的图像前处理/后处理过程，或直接使用我们导出好的模型和接口)：我们这里提供一个已经导出好的检测模型，用户下载三个模型文件到本地 [​ ​preprocess​​​, ​ ​model​​​, ​ ​meta​​]

PAI-EasyCV Export

下面我们简单介绍如何通过 PAI-EasyCV 的配置文件，导出不同的模型（具体的模型部署流程即相应的配置文件说明介绍见​ ​链接​​），并展示导出的不同模型进行端到端图像推理的性能。

为导出不同的模型，用户需要对配置文件进行修改，配置文件的说明如下：

根据不同的模型配置，我们在单卡 V100 上测试 YOLOX-s 所有配置下模型的端到端推理性能 （1000 次推理的平均值）：

下图，我们展示了由 PAI-EasyCV 中集成的使用 PAI-Blade/JIT 优化的模型端到端推理速度与 YOLOX 官方原版的 不同模型(s/m/l/x)的推理速度对比：

可以看到 PAI-EasyCV 导出的模型，极大程度的优化了原模型的端到端推理速度，未来我们将进一步优化 blade 接入 trt_efficientnms 的速度，提升端到端性能。

PAI-Blade 推理优化

PAI-Blade 是由阿里云机器学习平台 PAI 开发的模型优化工具，可以针对不同的设备不同模型进行推理加速优化。PAI-Blade 遵循易用性，鲁棒性和高性能为原则，将模型的部署优化进行高度封装，设计了统一简单的 API，在完成 Blade 环境安装后，用户可以在不了解 ONNX、TensorRT、编译优化等技术细节的条件下，通过简单的代码调用方便的实现对模型的高性能部署。更多 PAI-Blade 相关技术介绍可以参考 ​ ​[PAI-Blade介绍]​​。

PAI-EasyCV 中对 Blade 进行了支持，用户可以通过 PAI-EasyCV 的训练 config 中配置相关 export 参数，从而对训练得到的模型进行导出。

这里我们提供一个 PAI-Blade + PAI-EasyCV 社区版 V100 对应的镜像（cuda11.1/TensorRT8/cudnn8）：用户也可以基于 Blade 每日发布的镜像自行搭建推理环境 ​ ​[PAI-Blade社区镜像发布]​​

用户执行如下导出命令即可

值得注意的是上文所有的模型的推理速度都限定在 V100 BatchSize=32 静态 Shape (end2end=False)的 PAI-Blade 优化设置结果。Blade 中已经集成了常见 OP 的优化，针对用户自定义的 op 可以参考 PAI-EasyCV 中的 easycv/toolkit/blade/trt_plugin_utils.py 自行实现。

YOLOX-PAI-训练与复现

我们在 PAI-EasyCV 框架中复现了原版的 YOLOX，及改进的 YOLOX-PAI，并利用 PAI-Blade 对模型进行推理加速。为了更好的方便用户快速体验基于 PAI-EasyCV 和 PAI-Blade 的 YOLOX，接下来，我们提供利用镜像对 YOLOX-PAI 进行模型的训练、测试、及部署工作。更多的关于如何在本地开发环境运行，可以参考该​ ​链接​​安装环境。若使用 PAI-DSW 进行实验则无需安装相关依赖，在 PAI-DSW docker 中已内置相关环境。

数据代码准备

YOLOX-PAI 是 PAI-EasyCV 团队基于旷视 YOLOX 复现并优化的在 V100BS32 的 1000fps 量级下的 SOTA 检测模型。整体工作上集成和对比了很多社区已有的工作：通过对 YOLOX 的替换基于 RepVGG 的高性能 Backbone， 在 Neck 中添加基于特征图融合的 ASFF/GSConv 增强，在检测头中加入了任务相关的注意力机制 TOOD 结构。结合 PAI-Blade 编译优化技术，在 V100Batchsize32 1000FPS 的速度下达到了 SOTA 的精度 mAP=43.9，同等精度下比美团 YOLOV6 加速 13%，并提供了配套一系列算法/训练/推理优化代码和环境。

PAI-EasyCV（​ ​https://github.com/alibaba/EasyCV​​）是阿里云机器学习平台深耕一年多的计算机视觉算法框架，已在集团内外多个业务场景取得相关业务落地成果，主要聚焦在自监督学习/VisionTransformer 等前沿视觉领域，并结合 PAI-Blade 等自研技术不断优化。欢迎大家参与进来一同进步。

YOLOX-PAI 未来规划：

1. 基于 CustomOP（ASFFSim, EfficientNMS (fp16)）实现的加速推理

[1] Ge Z, Liu S, Wang F, et al. Yolox: Exceeding yolo series in 2021[J]. arXiv preprint arXiv:2107.08430, 2021.

[2] YOLOv6, ​ ​https://github.com/meituan/YOLOv6​​.

[3] Xu S, Wang X, Lv W, et al. PP-YOLOE: An evolved version of YOLO[J]. arXiv preprint arXiv:2203.16250, 2022.

[4] Wang C Y, Liao H Y M, Wu Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition workshops. 2020: 390-391.

[5] Ding X, Zhang X, Ma N, et al. Repvgg: Making vgg-style convnets great again[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 13733-13742.

[6] Liu S, Huang D, Wang Y. Learning spatial fusion for single-shot object detection[J]. arXiv preprint arXiv:1911.09516, 2019.

[7] Li H, Li J, Wei H, et al. Slim-neck by GSConv: A better design paradigm of detector architectures for autonomous vehicles[J]. arXiv preprint arXiv:2206.02424, 2022.

[8] YOLOv5, ​ ​https://github.com/ultralytics/yolov5​​.

[9] Feng C, Zhong Y, Gao Y, et al. Tood: Task-aligned one-stage object detection[C]//2021 IEEE/CVF International Conference on Computer Vision (ICCV). IEEE Computer Society, 2021: 3490-3499.

[10] Gevorgyan Z. SIoU Loss: More Powerful Learning for Bounding Box Regression[J]. arXiv preprint arXiv:2205.12740, 2022.

[11] Rezatofighi H, Tsoi N, Gwak J Y, et al. Generalized intersection over union: A metric and a loss for bounding box regression[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019: 658-666.