LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection

LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection

论文链接：http://arxiv.org/abs/2406.03459

代码链接：https://github.com/Atten4Vis/LW-DETR

一、摘要

  介绍了一种轻量级检测变换器LWDETR，它在实时物体检测方面超越了YOLO系列。LWDETR的架构简单，由ViT编码器、投射器和浅层DETR解码器堆叠而成。该方法利用了如有效的训练技巧（如改进的损失函数和预训练）、以及交叉的窗口和全局注意力，以降低ViT编码器的复杂性。通过聚合多级特征图以及ViT编码器中的中间和最终特征图，形成了更丰富的特征图，从而改进了ViT编码器。同时，引入了窗口优先的特征图组织方式，以提高交叉注意力计算的效率。实验结果表明，该方法在COCO和其他基准数据集上，相对于现有的实时检测器（如YOLO及其变种）具有显著优势。

二、创新点

• 构建了一个轻量级DETR方法，用于实时物体检测。一个普通的ViT编码器[17]，通过卷积投影器与DETR解码器相连。提出聚合多级特征图，包括编码器中的中间和最终特征图，形成更强的编码特征图。

• 使用了高效的推理技术。采用了交错窗口和全局注意力[36,37]，在普通的ViT编码器中替换一些全局注意力，以减少复杂性。通过窗口优先的特征图组织方法实现交错注意力的高效实现，有效地减少了昂贵的内存重排操作。

三、原理

1、Architecture

 LW-DETR 由一个ViT编码器（Vision Transformer Encoder）、一个投影器（Projector）和一个DETR解码器（DETR Decoder）组成。

  Encoder 采用ViT [17] 作为检测编码器。原始的ViT包含一个分块层和Transformer编码层。Transformer编码层在最初的ViT中包含一个对所有token（patch）的全局自注意力层和一个FFN层。全局自注意力计算成本较高，其时间复杂度与token（patch）数量的平方成正比。通过使用窗口自注意力来降低计算复杂度（详细内容见4）。作者提出将多级特征图、编码器中间层和最终特征图进行聚合，形成更强的编码特征图。编码器的一个例子如图2所示。

  Decoder 解码器是一个堆叠的Transformer解码层。每个层包含一个自我注意力、一个交叉注意力和一个FFN（前向传播神经网络）。为了提高计算效率，采用了可变形的交叉注意力 [74]。DETR及其变体通常采用6个解码层。论文实现使用了3个Transformer解码层。这使得时间从1.4毫秒减少到0.7毫秒，相对于所提方法中Tiny版本的其余部分（1.3毫秒）来说，这是一个显著的减少。

 采用混合查询选择策略 [67]来形成对象查询，它是内容查询和空间查询的组合。内容查询是可学习的嵌入，类似于DETR。空间查询基于两阶段方法：首先从Projector的最后一层中选择前K个特征，然后预测边界框，并将相应的框转换为嵌入作为空间查询。

  Projector 使用投影器连接编码器和解码器。投影器以编码器的聚合特征图作为输入。投影器是一个C2f块（密集连接网络（DenseNet）的跨阶段部分扩展[26,60]），在YOLOv8 [29]中实现。

  在构建LW-DETR的large和xlarge版本时，修改了投影器Projector，使其输出两种尺度（$\frac{1}{8}$ 和 $\frac{1}{32}$ ）的特征图，并相应地使用多尺度解码器[74]。投影器包含两个并行的C2f块。一个处理通过反卷积上采样的$\frac{1}{8}$ 尺度特征图，另一个处理通过步长卷积下采样的$\frac{1}{32}$尺度特征图。图3展示了单尺度投影器和多尺度投影器的pipeline。

  Objective function 采用了一种IoU感知分类(Intersection over Union-aware classification)损失，即IA-BCE损失[3]:
$$L_{cls}=\sum _{i=1}^{N_{pos}}BCE(s_i,t_i)+\sum _{j=1}^{N_{neg}}{s}_j^{2}BCE(s_j,0),(1)$$

其中，$N_{pos}$ 和 $N_{neg}$ 分别表示正样本和负样本的数量。$s$是预测的分类得分，$t$是吸收了IoU得分$u$（与真实值）的目标得分：$t=s^{\alpha }{u}^{1-\alpha }$，其中$\alpha$实际上被设置为0.25（参见Cai等人2023年的工作[3]）。

 整体损失是分类损失和与DETR框架（如[4,67,74]中相同的）相结合的边界框损失，其公式如下：
$$L_{cls}+{\lambda }_{iou}{L}_{iou}+{\lambda }_{L_1}{L}_1。(2)$$

其中，${\lambda }_{iou}$ 和 ${\lambda }_{L_1}$ 被设置为 2.0 和 5.0，这与[4, 67, 74]中的做法相似。$L_{iou}$ 和 $L_1$ 分别是广义IoU（GIoU）损失[52] 和用于边界框回归的L1损失

2、Instantiation

  文中实例化了5个实时检测器：tiny、small、medium、large和xlarge。详细的设置见表2。

  tiny检测器包含一个6层的transformer编码器。每层由多头自注意力模块和前馈网络(FFN)组成。每个图像块被线性映射到一个$192$维的表征向量。投影器输出单尺度特征图，具有$256$个通道。解码器有$100$个对象查询。

  small检测器包含$10$层编码器，$300$个对象查询。与tiny检测器相同，输入图像块的表征维度和投影器输出为$192$和$256$。medium检测器与small类似，区别在于输入图像块的表征维度提升到$384$，因此编码器的维度也相应调整为$384$。

  large检测器由$10$层编码器组成，并使用两尺度特征图（参见第1部分的投影器）。输入图像块的表征维度和投影器输出为$384$和$384$。xlarge检测器与large类似，区别在于输入图像块的表征维度提升到$768$。

3、Effective Training

 More supervision. 为了加速DETR的训练，已经发展出多种技术，例如 [6, 27, 75]。采用了易于实施且不影响推理过程的Group DETR [6]。按照[6]的做法，使用了13个并行的权重共享解码器进行训练。对于每个解码器，从投射器的输出特征中为每个组生成对象查询。同样遵循[6]，使用主解码器进行推理。

 Pretraining on Objects365. 预训练过程分为两阶段。首先，基于预训练模型，使用MIM方法CAEv2 [71] 在Objects365数据集上预训练ViT，这使得在COCO上的mAP提高了0.7。其次，按照[7, 67]的做法，重新训练编码器，并在Objects365上监督地训练投影器和解码器。

4、Efficient Inference

 采用了交错的窗口和全局注意力：将一些全局自注意力层替换为窗口自注意力层。例如，在一个6层的ViT中，第一、第三和第五层使用窗口注意力。窗口注意力通过将特征图划分为不重叠的窗口，并分别在每个窗口上执行自注意力来实现。

  采用了一种窗口优先的特征图组织（window-major feature map organization）策略，以实现高效的交错注意力。这种组织方式按窗口方式排列特征图。ViTDet实现[36]中，特征图按行（row-major organization）排列，为了转换为窗口优先的组织，需要昂贵的’permutation’操作。论文实现去除了这些操作，从而减少了模型延迟。通过一个简单的示例来说明窗口优先的方式。给定一个$4\times 4$的特征图:
$$\begin{gathered} [f_{11}{f}_{12}{f}_{13}{f}_{14} \\ {f}_{21}{f}_{22}{f}_{23}{f}_{24} \\ {f}_{31}{f}_{32}{f}_{33}{f}_{34} \\ {f}_{41}{f}_{42}{f}_{43}{f}_{44}(3)] \end{gathered}$$
  对于大小为$2\times 2$的窗口，其窗口主导向组织如下:
$$\begin{gathered} f_{11},f_{12},f_{21},f_{22};f_{13},f_{14},f_{23},f_{24}; \\ {f}_{31},f_{32},f_{41},f_{42};f_{33},f_{34},f_{43},f_{44}.(4) \end{gathered}$$
  这种组织方式适用于不重新排列特征的窗口注意力和全局注意力。行主序组织
$$\begin{gathered} f_{11},f_{12},f_{13},f_{14};f_{21},f_{22},f_{23},f_{24}; \\ {f}_{31},f_{32},f_{33},f_{34};f_{41},f_{42},f_{43},f_{44}，(5) \end{gathered}$$
  对于全局感知是合适的，但为了实现窗口注意力，它需要进行昂贵的permutation操作。

5、Empirical Study

  实证展示了训练技巧和高效推理技术如何提升DETR的性能。以small检测器为例进行研究。本研究基于一个初始检测器：编码器采用所有层的全局注意力，并输出最后一层的特征图。实验结果见表2。

  Latency improvements. ViTDet采用的交错窗口和全局注意力，将计算复杂度从23.0GFlops降低到16.6 GFlops，验证了用更快捷的窗口注意力替换昂贵的全局注意力的益处。然而，延迟并未减少，反而增加了0.2 ms。这是因为行优先特征图组织需要额外昂贵的(permutation)操作。采用列优先特征图组织（window-major）可以缓解这一副作用，导致更大的延迟降低，从3.7 ms降至2.9 ms。

  Performance improvements.多级特征聚合带来了0.7的mAP提升。IoU感知的分类损失和更多的监督将mAP分数从34.7提升到35.4和38.4。对边界框回归目标的重新参数化（参考 [40]，详情见附录）略有性能提升。预训练在Objects365上的显著改进达到8.7的mAP，表明transformer确实从大数据中获益。更长的训练周期可以带来进一步的提升，形成了LW-DETR-small模型。

四、实验

1、Settings

  Datasets. 预训练数据集为Objects365 [54]。遵循[7,67]的做法，将train集的图像与validate集（除前5000张图像外）的图像合并进行检测预训练。使用微软COCO2017的标准数据划分策略[39]，并在COCO val2017上进行评估。

  Data augmentations. 采用DETR及其变体 [4, 74]中的数据增强方法。遵循实时检测算法 [1, 29, 46]，在训练时随机将图像调整为正方形。为了评估性能和推理时间，按照实时检测算法 [1, 29, 46]的评估方案，将图像调整为$640\times 640$像素。使用$10\times 10$的窗口大小，以确保图像大小可以被窗口大小整除。

  Implementation details. 在Objects365 [54]上预训练检测模型30个轮次（epoch），然后在COCO [39]上进行总共$180,000$次迭代的微调。采用指数移动平均（EMA）技术 [55]，衰减率为0.9997。实验使用AdamW优化器 [44]进行训练。

  预训练时，投影器和DETR解码器的初始学习率为$4\times e^{-4}$，ViT主干网络的初始学习率为$6\times e^{-4}$，批次大小为128。在微调阶段，投影器和DETR解码器的初始学习率为$1\times e^{-4}$，ViT主干网络的初始学习率为$1.5\times e^{-4}$。tiny、small和medium模型的批次大小设置为32，large和xlarge模型的批次大小设置为16。对于180,000次迭代，tiny、small和medium模型为50个轮次，large和xlarge模型为25个轮次。更多细节，如权重衰减、ViT编码器的层别衰减以及微调过程中的组件衰减（component-wise decay）[7]，请参阅补充材料。

  以fp16精度和1个批次在COCO val2017上，使用T4 GPU进行端到端的平均推理延迟测量，环境设置为TensorRT-8.6.1、CUDA-11.6和CuDNN-8.7.0。采用TensorRT中的efficientNMSPlugin实现高效的NMS。所有实时检测器的性能和端到端延迟都在官方实现中进行测量。

2、Results

  五个LW-DETR模型的结果在表3中报告。LW-DETR-tiny 在T4 GPU上以500 FPS的速度实现了42.6的mAP。LW-DETR-small 和LW-DETR- medium 分别达到48.0 mAP，速度超过340 FPS，以及52.5 mAP，速度超过178 FPS。large 和xlarge 模型分别以113 FPS的速度达到56.1 mAP，以及58.3 mAP，速度为52 FPS。

Comparisons with state-of-the-art real-time detectors.
  表3报告了LW-DETR模型与代表性的实时检测器（包括YOLO-NAS [1]、YOLOv8 [29]和RTMDet[46]）的比较。可以看到，无论是否使用预训练，LW-DETR都持续优于先前的实时检测器最先进的性能。

  LW-DETR在tiny到xlarge五个尺度上，无论是延迟还是检测性能，都明显优于YOLOv8和RTMDet。

  与先前最佳方法之一YOLO-NAS（通过神经架构搜索获得）相比，LW-DETR模型在small和medium尺度上分别提高了0.4 mAP和0.9 mAP，速度分别快1.6倍和约1.4倍。随着模型规模增大，改进更为显著：在large尺度上以相同速度运行时，LW-DETR的mAP提高了3.8。

  进一步通过精细调整NMS过程中的分类得分阈值，提高了其他方法的表现，并在右两列报告了结果。这些方法的性能大幅提高，但仍低于LW-DETR。所提方法可能从先前实时检测器采用的改进中受益，如神经架构搜索（NAS）、数据增强、伪标签数据和知识蒸馏[1,29,46]。

Comparison with concurrent works.
  将LW-DETR与实时检测中的同期工作进行比较，包括YOLO-MS [12], Gold-YOLO [58], RT-DETR [45], 和YOLOv10 [57]。YOLO-MS通过增强多尺度特征表征来提高性能。（multi-scale feature representation）Gold-YOLO通过增强多尺度特征融合，并应用MAE风格的预训练[22]，以提升YOLO的性能。YOLOv10设计了几个兼
顾效率和精度的模块来提升性能。（efficiency-driven modules）

  RT-DETR [45]，与LW-DETR密切相关，也是基于DETR框架，但在主干（backbone）、投影器（projector）、解码器（decoder）和训练方案上与所提方法有许多不同。

  比较结果见表4 和图4。LW-DETR在检测性能和延迟之间始终实现更好的平衡。YOLO-MS和Gold-YOLO在所有模型规模上都明显表现出比LW-DETR较差的结果。（worse results）LW-DETR-large 比相关性高的RT-DETR-R50在mAP上高出0.8，速度更快（8.8 ms vs. 9.9 ms）。其他规模的LW-DETR也表现出优于RT-DETR的结果。与最新工作YOLOv10-X [57]相比，LW-DETR-large 在性能上更高（56.1 mAP vs. 54.4mAP），延迟更低（8.8 ms vs. 10.70 ms）。

3、Discussions

  NMS post-processing. DETR 方法是一种端到端的算法，不需要NMS后处理步骤。相比之下，现有的实时检测器，如 YOLO-NAS [1]、YOLOv8[29] 和 RTMDet [46]，需要NMS [24]后处理。NMS过程会消耗额外的时间。在测量端到端推理成本时，包括了这个额外时间，这在实际应用中是需要考虑的。

  作者对使用NMS的方法进行了进一步优化，通过调整NMS后处理的分类得分阈值。实验观察到，YOLO-NAS、YOLOv8和RTMDet的默认得分阈值（0.001）虽然能获得较高的mAP，但会产生大量框，从而导致较高的延迟。特别是当模型较小时，端到端延迟主要由NMS延迟主导。调整了阈值，以在mAP分数和延迟之间取得良好的平衡。实验发现，mAP分数略有下降（例如，-0.1 mAP到-0.5 mAP），而运行时间大幅减少，例如，减少了约4-5ms，对于RTMDet和YOLOv8，减少了1-2ms（YOLO-NAS的延迟）。这些减少来自于调整得分阈值后，输入NMS的预测框数量减少。不同得分阈值下的详细结果，以及COCO val2017上剩余框数的分布，见补充材料。

  图1展示了与其他方法（经过良好调优的NMS流程）的比较。带有NMS的方法有所提升，但所提方法仍然优于其他方法。排名第二的YOLO-NAS是一种网络架构搜索算法，其性能非常接近实验的基线。作者认为，像YOLO-NAS中使用的复杂网络架构搜索过程可能对DETR方法有利，预计未来还有进一步的改进空间。

  Pretraining. 实验性地研究了预训练的效果。如表5所示，预训练对所提方法带来了显著的改进，平均提高了5.5个mAP。tiny模型的mAP提高了6.1，而xlarge模型的mAP提高了5.3。这表明在大型数据集上对DETR类模型的预训练非常有益。

  实验表明，训练过程适用于使用卷积编码器的DETR方法。用ResNet-18和ResNet-50替换transformer编码器。从表5中可以看出，这些LW-DETR变体在延迟和mAP方面的性能接近使用transformer编码器的LW-DETR，而且预训练带来的好处与transformer编码器的LW-DETR相似，但略低一些。

  同时，作者研究了预训练对非端到端检测器的改进。根据表3, 4和6的结果，似乎在Objects365上预训练仅对非端到端检测器（如 [12, 29, 46, 58]）显示出有限的提升，这与DETR基检测器中预训练带来的大幅改进不同。由于非端到端检测器可能训练300个甚至500个epoch，这种有限的提升是否与训练轮次有关？表6显示，随着训练轮次的增加，提升逐渐减小，这部分支持了上述假设。

4、Experiments on more datasets

  实验检验了LW-DETR模型在更多检测数据集上的泛化能力。采用了两种评估方法，即跨域评估和多域微调。对于跨域评估，实验直接在COCO数据集上训练的实时检测器上评估在Unidentified Video Objects(UVO) [61]上的性能。在多域微调部分，使用预训练的实时检测器在多域检测数据集Roboflow 100 (RF100) [13]上进行微调。实验在每个数据集上对所有模型的超参数进行了粗略搜索，例如学习率。更多详细信息请参阅附录材料。

  Cross-domain evaluation. 评估模型泛化能力的一种方法是直接在不同领域数据集上进行评估。实验采用了类agnostic的物体检测基准UVO [61]，其中57%的物体实例不属于COCO的80个类别。UVO基于YouTube视频，其外观与COCO有很大差异，例如，有些视频是第一人称视角且存在显著的运动模糊。实验使用COCO（参见表3）训练的模型在UVO的验证集上进行评估。

  表7给出了结果。LW-DETR在实时检测器中的表现优于当前最先进的方法。具体来说，LW-DETR-small在mAP上比RTMDet-s、YOLOv8-s和YOLO-NAS-s中的最佳结果高出1.3，而在AR上高出4.1。在召回率方面，它也显示出更强的检测不同尺度（小、中、大）物体的能力。上述发现表明，LW-DETR相对于先前的实时检测器的优势并非源于对COCO的特定调优，而是得益于其生成更通用模型的能力。

  Multi-domain finetuning. 另一种方法是在不同领域的小型数据集上微调预训练的检测器。RF100包含100个小型数据集，7个图像领域，224,000张图像和829个类别标签。它可以帮助研究人员用现实生活中的数据测试模型的泛化能力。实验在RF100的每个小型数据集上微调实时检测器。

  结果见表8。LW-DETR-small在不同领域表现出优于当前最先进的实时检测器的优势。特别是在’documents’和’electromagnetic’，LW-DETR明显优于YOLOv5、YOLOv7、RTMDet和YOLOv8（比这四个中最好的高出5.7AP和5.6 AP）。LW-DETR-medium 在整体上提供了进一步的改进。这些发现突出了LW-DETR的通用性，使其在一系列封闭领域任务中成为强大的基线。

五、总结

  该方法利用了如有效的训练技巧（如改进的损失函数和预训练）、以及交叉的窗口和全局注意力，以降低ViT编码器的复杂性。引入聚合多级特征图和窗口优先的特征图组织方式。