本文介绍了一种名为YotoR（You Only Transform One Representation）的新型深度学习目标检测模型。该模型将Swin Transformers与YoloR架构相结合。在自然语言处理领域引起革命的Transformer技术，如今同样对计算机视觉产生了深远影响，展现出显著提升准确性和计算效率的潜力。

        YotoR将健壮的Swin Transformer主干网与YoloR的 Neck 和 Head 结合在一起。实验证明了两种模型结合的有效性。

        感兴趣的小伙伴可以去看看原文：https://arxiv.org/pdf/2405.19629

一、模型BackBone

        上图展示了用于主干网的Swin Transformer简化架构，特别是被称为Swin T的小型（Tiny）版本。该架构主要分为四个阶段：

• 图像被划分为小块，然后这些小块被转换为标记。通过线性嵌入层，这些标记被转换成特定大小的标记

• 输入到第一阶段的第一组Swin Transformer块中

• 三个阶段由一个块合并模块组成，该模块通过组的方式合并块，将特征图的宽度和高度分辨率减半

• 传递给相应的Swin Transformer块数组

二、模型 Head

        如上图所示，为了构建YoloR模型，作者选择了基于Scaled YoloV4的架构，特别是以YoloV4-P6-light为基础，并对其进行了逐步修改，以创建不同版本的YoloR：P6、W6、E6和D6。具体的修改如下：

• Yolo-P6：将YoloV4-P6-light的Mish激活函数替换为SiLU

• Yolo-W6：增加了Backbone块输出的通道数

• Yolo-E6：将W6的通道数增加至原来的1.25倍，并将下采样卷积替换为CSP卷积

• Yolo-D6：增加了Backbone网络的深度

 三、模型效果

• 如上展示了四个YotoR模型在val2017数据集上的mAP（平均精度均值）结果。TP5和BP4模型的表现超越了所有基准模型，即使是作为参照的YoloR P6，其mAP表现也非常出色。唯一没有超越的模型是BB4。

• 然而，考虑到BB4完全基于Swin B构建，并且没有使用YoloR P6的Head，这一结果是可以理解的。尽管如此，BB4的性能仍然优于Swin B，这表明探索更大模型（如Swin L）的潜力，且Swin L的性能优于YoloR D6。