RepVGG: Making VGG-style ConvNets Great Again 是2021 CVPR的一篇论文，正如他的名字一样，使用structural re-parameterization的方式让类VGG的架构重新获得了最好的性能和更快的速度。将RepVGG的设计思想融合进入到yolov5目标检测模型中是否有性能的提升呢？这里也是想基于实地的数据做一下实验探索尝试，首先看下效果图：

改进后的yaml模型文件如下：

#Parameters
nc: 3                                    # number of classes
depth_multiple: 1                        # model depth multiple
width_multiple: 1                        # layer channel multiple


#Anchors
anchors:
  - [10,13, 16,30, 33,23]                # P3/8
  - [30,61, 62,45, 59,119]               # P4/16
  - [116,90, 156,198, 373,326]           # P5/32


#Backbone
backbone:
  # [from, number, module, args]
  [[-1, 1, Focus, [32, 3]],              # 0-P1/2
   [-1, 1, RepVGGBlock, [64, 3, 2]],     # 1-P2/4
   [-1, 1, C3, [64]],
   [-1, 1, RepVGGBlock, [128, 3, 2]],    # 3-P3/8
   [-1, 3, C3, [128]],
   [-1, 1, RepVGGBlock, [256, 3, 2]],    # 5-P4/16
   [-1, 3, C3, [256]],
   [-1, 1, RepVGGBlock, [512, 3, 2]],    # 7-P4/16
   [-1, 1, SPP, [512, [5, 9, 13]]],
   [-1, 1, C3, [512, False]],            # 9
  ]


#Head
head:
  [[-1, 1, Conv, [256, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 6], 1, Concat, [1]],            # cat backbone P4
   [-1, 1, C3, [256, False]],            # 13

   [-1, 1, Conv, [128, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 4], 1, Concat, [1]],            # cat backbone P3
   [-1, 1, C3, [128, False]],            # 17 (P3/8-small)

   [-1, 1, RepVGGBlock, [128, 3, 2]],
   [[-1, 14], 1, Concat, [1]],           # cat head P4
   [-1, 1, C3, [256, False]],            # 20 (P4/16-medium)

   [-1, 1, RepVGGBlock, [256, 3, 2]],
   [[-1, 10], 1, Concat, [1]],           # cat head P5
   [-1, 1, C3, [512, False]],            # 23 (P5/32-large)

   [[17, 20, 23], 1, Detect, [nc, anchors]],  
                                        # Detect(P3, P4, P5)
  ]

首先是BackBone部分：

下图展示了原生模型与改进后的模型在BackBone部分的差异对比。

其次是Head部分：

上图框出来了改进后的模型和原生模型的核心差异，其余部分的差异主要是为了适配替换conv模块为RepVGGBlock模块后改变的参数。

接下来看下数据集：

YOLO格式标注数据如下：

实例标注数据如下：

2 0.544141 0.750694 0.205469 0.493056
1 0.414062 0.720139 0.203125 0.554167

VOC格式标注数据如下：

实例标注数据如下：

<annotation>
    <folder>motorcycle</folder>
    <filename>2b482c1a-99b6-4cc5-a98e-a263b3cf2134</filename>
    <path>dataset</path>
    <source>
        <database>Unknown</database>
    </source>
    <size>
        <width>1280</width>
        <height>720</height>
        <depth>3</depth>
    </size>
    <segmented>0</segmented>
    <object>
        <name>person</name>
        <pose>Unspecified</pose>
        <truncated>1</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>605</xmin>
            <ymin>210</ymin>
            <xmax>828</xmax>
            <ymax>720</ymax>
        </bndbox>
    </object>
    <object>
        <name>person</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>377</xmin>
            <ymin>192</ymin>
            <xmax>551</xmax>
            <ymax>554</ymax>
        </bndbox>
    </object>
    <object>
        <name>person</name>
        <pose>Unspecified</pose>
        <truncated>0</truncated>
        <difficult>0</difficult>
        <bndbox>
            <xmin>525</xmin>
            <ymin>379</ymin>
            <xmax>654</xmax>
            <ymax>573</ymax>
        </bndbox>
    </object>
</annotation>

默认设定100个epoch的迭代计算，在CPU模式下完成训练，日志输出如下：

可以看到：最终的检测效果还是很不错的。

F1值曲线和PR曲线如下所示：

LABEL数据可视化如下：

混淆矩阵如下所示：

训练过程评估可视化如下：

训练batch检测样例如下所示：

最后我们基于专门的界面实现可视化推理计算如下：

上传图像：

检测推理：