概要

尽管YOLO（You Only Look Once）系列的对象检测器在效率和实用性方面表现出色，但它们通常只能检测预定义的对象类别，这限制了它们在更开放场景中的应用。
为了克服这一限制，作者提出了YOLO-World，这是一种新的方法，它通过视觉-语言建模和在大规模数据集上的预训练，增强了YOLO的开放词汇（open-vocabulary）检测能力。开放词汇检测指的是能够检测并识别在训练阶段未见过的对象类别。
下面我们通过系列文章对Yolo-World模型的网络结构及其原理进行详细分析。

一、整体架构分析

1. YOLO检测器：
   （1）Darknet Backbone：YOLO-World基于YOLOv8，使用Darknet作为其图像编码器。Darknet是一个深度卷积神经网络，能够提取图像的多尺度特征。
   （2）特征金字塔网络（FPN）：通过路径聚合网络（PAN），YOLO-World构建了一个特征金字塔，将不同尺度的特征图进行融合，增强了模型对不同大小目标的检测能力。

2. 文本编码器：
   -CLIP Text Encoder：YOLO-World利用预训练的CLIP文本编码器将输入文本（如类别名称、名词短语或对象描述）编码为文本嵌入。CLIP是一个视觉-语言预训练模型，能够将文本和图像特征映射到同一语义空间。

3. RepVL-PAN（Re-parameterizable Vision-Language Path Aggregation Network）：
   （1）Text-guided CSPLayer：在特征金字塔的每个阶段，YOLO-World通过Text-guided CSPLayer将文本特征注入到图像特征中。具体来说，它使用文本嵌入和图像特征的点积，并通过sigmoid函数进行归一化，然后将结果与图像特征相乘，实现文本对图像特征的引导。
   （2）Image-Pooling Attention：为了增强文本嵌入的图像意识，YOLO-World通过Image-Pooling Attention聚合图像特征。它使用最大池化操作从多尺度特征中提取关键区域，并将这些区域的特征通过多头注意力机制映射回文本嵌入。

4. 区域-文本对比损失（Region-Text Contrastive Loss）：
   在训练过程中，YOLO-World通过区域-文本对比损失来优化模型。这种损失函数通过计算预测的边界框和文本嵌入之间的相似度，以及预测和真实标注之间的一致性，来训练模型识别和定位目标。

5. 推理策略：
   （1）在线词汇表训练：在训练阶段，YOLO-World构建在线词汇表，包含正面和负面名词，以增强模型对大型词汇表对象的识别能力。
   （2）离线词汇表推理：在推理阶段，YOLO-World采用“提示-检测”范式。用户可以定义自定义提示，然后通过文本编码器编码这些提示以获得离线词汇表嵌入。这些嵌入可以重参数化为RepVL-PAN中的权重，从而提高推理效率。

二、详细结构分析

YOLO检测器

结合网络模型结构图以及代码分析一下yoloV8的网络结构

# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2  第0层:使用64个3x3的卷积核，步幅为2进行卷积，得到P1/2特征图。
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4 第1层:使用128个3x3的卷积核，步幅为2进行卷积，得到P2/4特征图，
  - [-1, 3, C2f, [128, True]]           # 第2层:进行3次C2f操作，每次操作使用128个通道，最后一次操作使用降维(True)。
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8 第3层:使用256个3x3的卷积核，步幅为2进行卷积，得到P3/8特征图。
  - [-1, 6, C2f, [256, True]]         #第4层:进行6次C2f操作，每次操作使用256个通道，最后一次操作使用降维(True)。
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16 第5层:使用512个3x3的卷积核，步幅为2进行卷积，得到P4/16特征图。
  - [-1, 6, C2f, [512, True]]     #第6层:进行6次C2f操作，每次操作使用512个通道，最后一次操作使用降维(True)
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32  第7层:使用1024个3x3的卷积核，步幅为2进行卷积，得到P5/32特征图。
  - [-1, 3, C2f, [1024, True]] #第8层:进行3次C2f操作，每次操作使用1024个通道，最后一次操作使用降维(True)，
  - [-1, 1, SPPF, [1024, 5]] # 9 第9层:使用1024个通道的SPPF(空间金字塔池化)层，使用5个不同大小的池化核进行池化操作。

1. Backbone

（1）第0层:输入640×640×3大小的图像，使用3×3的卷积核，步幅为2，padding为1进行卷积，得到P1特征图。这里卷积的过程可以看到图示1：首先进行一次普通卷积，然后是batchNormalization归一化，最后进行的是SiLU激活函数引入非线性关系，得到320×320×64大小的图像；
（2）第1层:重复上一步过程使用128个3x3的卷积核，步幅为2进行卷积，得到P2特征图，得到160×160×128大小的图像，尺寸减半通道数加倍，通道数等于卷积核数；
（3）第2层:进行3次C2f操作图示2，每次操作使用128个通道，最后一次操作使用降维(True)。这里C2f模块接收来自上一步卷积得到的160×160×128大小的图像，首先进行一次Conv卷积，然后把输出的图像进行split切分为两份，其中一份通道数减半传到最后进行Concat操作，另一份通道数减半进入BottleNeck部分（图示3），这里需要接收参数shortcut=True or False，如果参数是True,那么就在BottleNeck中进行一次shortcut操作，也就是残差连接（这个概念可以参考resnet论文），每次BottleNeck之后都将一半的数据直接传入网络最后，另一半数据再进行一次BottleNeck，BottleNeck进行多少次取决于C2f进行多少次，也就是最开始的参数n，最后将前边处理得到的图像数据进行concat连接，这时的通道数为0.5×(n+2），在进行一次Conv卷积，将通道数变为split分割之前的通道数，也就是经过C2f模块尺寸和通道数并不会产生改变，此时输出图像尺寸为160×160×128；
（4）第3层：使用256个3x3的卷积核，padding为1，步幅为2进行卷积，得到P3特征图，此时输出图片尺寸为80×80×256。
（5）第4层：进行6次C2f操作，每次操作使用256个通道，最后一次操作使用降维(True)。此时输出图片尺寸为80×80×256。
（6）第5层:使用512个3x3的卷积核，padding为1，步幅为2进行卷积，得到P4/特征图。此时图片尺寸为40×40×512。
（7）第6层：进行6次C2f操作，每次操作使用512个通道，最后一次操作使用降维(True)，此时输出图片尺寸为40×40×512。
（8）第7层:使用1024个3x3的卷积核，padding为1，，步幅为2进行卷积，得到P5特征图。此时图片尺寸为20×20×1024。
（9）第8层：进行3次C2f操作，每次操作使用1024个通道，最后一次操作使用降维(True)，此时图片尺寸为20×20×1024。
（10）第9层：使用1024个通道的SPPF(空间金字塔池化)层，使用5个（代码中是5个，图片中是3个）不同大小的池化核进行池化操作。池化金字塔中先接收来自上一层的图像输入，首先进行一次卷积调整输入特征的通道数，为后续的池化操作做准备；然后进行三次最大池化，不同池化窗口如1x1、3x3、5x5等，用于捕获不同尺度的上下文信息；最后进行特征图拼接，拼接后的特征图再次通过一个1x1卷积层，以整合不同尺度的特征，得到最终的输出，此时图片尺寸为20×20×1024。
至此backbone部分结束，下边接收head部分。

2. Head

Head部分主要进行不同尺寸图像信息的融合，以便更好的获得图像特征并且进行目标检测。
（1）第10层:这里接收的图像为第9层的输出尺寸为20×20×1024，使用最近邻上采样(nn.Upsample)将特征图尺寸放大两倍，以便进行更细粒度的特征提取或与不同分辨率的特征图进行融合。其核心思想是将每个像素点复制到其周围的像素点，从而实现尺寸的放大，此时输出尺寸为40×40×1024。
（2）第11层:将backbone第6层提取的特征图与Upsample放大后的特征图进行拼接(Concat)，生成新的特征图，此时输出尺寸为40×40×1024。
（3）第12层:进行3次C2f操作，在BottleNeck中不进行残差链接，此时输出尺寸为40×40×1024。
（4）第13层:同第10层操作一样，使用最近邻上采样将特征图尺寸放大两倍。此时输出尺寸为80×80×1024。
（5）第14层:将backbone第4层提取的特征图，与第13层放大后的特征图进行拼接，生成新的特征图，此时输出尺寸为80×80×1536
（6）第15层:进行3次C2f操作，不进行残差链接；
（7）后续的第16，17，18，19，20，21层进行10~15层的倒序操作，也就是通过conv操作缩小尺寸，将80×80的特征图变成20×20的特征图，并且在过程中进行C2f模块操作，concat操作拼接前边层的特征图，更好的进行特征融合，获取图片的上下文信息，最终获取到三个尺寸特征图输出，也就是80×80×1024，40×40×1024，20×20×1024，这样三个尺寸的特征图便可以检测不同大小的目标，并且含有丰富的语义特征，获取到这三个尺寸的特征图便完成了yolo-world网络模型结构中的yolo获取特征图的部分，后续还有进行边界框回归的部分，留在后边进行说明；
----------------------------------分割线-------------------------------------
此部分如果有写的不对的地方请各位在评论中指出，我会认真修改，感谢各位大佬！

3.各模块的过程和作用

图示1 卷积模块过程

Conv卷积模块

如图是一个典型的卷积神经网络（CNN）层的卷积过程，其中包括卷积层（Conv）、批量归一化层（BatchNorm2d）和激活函数（SiLU）
（1）卷积层（Conv）：

• 核大小（k）：卷积核的尺寸，通常用 ( k \times k ) 表示。
• 步长（s）：卷积时滑动的步长，步长为1意味着每次滑动一个像素。
• 填充（p）：卷积核边缘的填充大小，填充为0通常意味着没有额外的填充。
• 输出通道数（c）：卷积层输出特征图的通道数。
  （2）卷积操作（Conv2d）：
• 卷积操作是深度学习中的基本操作之一，用于提取图像的局部特征。
• 在二维卷积（Conv2d）中，卷积核在输入特征图的每个位置滑动，并计算卷积核与输入特征图对应部分的点积，生成新的输出特征图。
  （3）批量归一化层（BatchNorm2d）：
• 批量归一化是一种技术，用于加速训练过程并提高模型的稳定性。
• 它通过规范化（归一化）层的输入来减少内部协变量偏移（即不同训练样本的尺度和分布差异）。
• BatchNorm2d通常在卷积层之后应用，对每个特征通道的输出进行归一化处理。
  （4）激活函数（SiLU）：
• SiLU（Sigmoid线性单元）是一种非线性激活函数；
• 它将输入特征图的每个元素通过SiLU函数进行非线性变换，增加网络的非线性表达能力。
  （5）整体流程：
• 输入特征图首先通过卷积层，卷积核在特征图上滑动，提取局部特征。
• 卷积后的输出特征图通过批量归一化层进行归一化处理，减少不同批次数据的分布差异。
• 最后，归一化后的特征图通过SiLU激活函数进行非线性变换，生成最终的输出特征图。

图示2 C2F结构展示

C2F模块

（1）输入特征：模块接收尺寸为 h×w、通道数为 c_in 的特征图。
（2）1x1卷积：
特征图通过一个核大小为1（k=1）、步长为1（s=1）、填充为0（p=0）的卷积层，输出通道数为 c_out。
（3）通道分割：
输出特征图被分割成两个子特征图，每个子特征图的通道数为 c_out/2。
（4）瓶颈层（Bottleneck）：
每个子特征图通过瓶颈层进行处理，瓶颈层通常包含深度可分离卷积或其他轻量化的卷积操作，以减少计算量并提取特征。
（5）跨阶段连接（Cross-stage Connections）：
在瓶颈层之后，特征图的尺寸减半，但通道数保持不变。图片中的 “shortcut=?” 表示这里存在某种形式的残差连接或跳跃连接，具体细节见下边BottleNeck解释。
（6）特征拼接（Concatenation）：
处理后的两个子特征图被拼接回一起，得到尺寸为 h×w、通道数为c_out/2×(n + 2)的特征图，其中n是一个与模块设计相关的参数。
（7）最终1x1卷积：
最后，拼接后的特征图再次通过一个1x1卷积层，输出最终的特征图，尺寸保持不变，通道数为c_out。
（8）C2F输出：
C2F模块的输出是经过这些处理步骤后的特征图，这些特征图具有增强的特征表示能力，可以用于后续的目标检测任务。

C2F模块的设计意图是通过轻量化的卷积操作和特征融合，提高网络的计算效率和特征提取能力。这种模块可能在YOLOv8的多个地方使用，以确保在不同尺度的特征图中都能有效地提取有用的信息。 “shortcut” 指的是残差连接，用于帮助网络学习输入和输出之间的残差，从而提高网络的学习能力和稳定性。

图示3 BottleNeck模块

BottleNeck模块

Bottleneck模块是一种常见的网络结构，用于减少参数数量和计算量，同时保持或提升特征表达能力。以下是Bottleneck模块的两种变体的过程介绍：
（1）输入特征：模块接收尺寸为 h×w、通道数为 c的特征图。
（2）第一个3x3卷积：
特征图首先通过一个核大小为3（ k=3）、步长为1（ s=1）、填充为1（ p=1）的卷积层。
（3）第二个3x3卷积：
紧接着，输出特征图再次通过一个相同配置的3x3卷积层。
（4）Shortcut连接：
由于shortcut=True，原始输入特征图与经过两个卷积层的输出特征图进行相加。这允许梯度直接从输出传递回输入，有助于解决深层网络中的梯度消失问题。
（5）输出特征：
最终输出的特征图尺寸仍为 h×w，通道数保持不变为c。

对于不带Shortcut的Bottleneck模块：只进行两次卷积过程后输出特征，不进行shortcut连接

注：shortcut通用特点：

• 深度和参数效率：Bottleneck模块通过先压缩后扩展的卷积操作，减少了参数数量和计算量。
• 特征不变性：带Shortcut的Bottleneck模块通过残差连接保持了输入和输出的尺寸和通道数不变。
• 计算效率：使用3x3卷积可以在减少特征图尺寸的同时，捕获足够的局部空间信息。
• 适用性：Bottleneck模块常用于深度学习网络中，尤其是在需要处理高分辨率输入时，如图像分类和目标检测任务。
  图示4 SPPF过程
  

SPPF模块

一种改进的空间金字塔池化模块。
（1）输入特征：
模块接收尺寸为 h×w、通道数为 c的特征图。
（2）1x1卷积：
首先，特征图通过一个1x1卷积层，核大小为1（ k=1）、步长为1（ s=1 ）、填充为0（p=0）。这个卷积层可以调整输入特征的通道数，为后续的池化操作做准备。
（3）空间金字塔池化（Spatial Pyramid Pooling）：
接着，特征图经过三次不同的最大池化操作（MaxPool2d）。这些池化操作通常具有不同的窗口大小，例如1x1、3x3、5x5等，用于捕获不同尺度的上下文信息。
每个最大池化层都会在特征图上应用一个固定大小的窗口，并输出该窗口内的最大值，这有助于提取多尺度的特征。
（4）特征图拼接（Concatenation）：
池化操作后，得到的多个不同尺度的特征图被拼接在一起。这样，网络就可以在后续层中同时考虑到局部特征和全局上下文信息。
（5）最终1x1卷积：
最后，拼接后的特征图再次通过一个1x1卷积层，以整合不同尺度的特征，并输出最终的特征图。
（6）SPPF输出：
SPPF模块的输出是一个综合了多尺度信息的特征图，这个特征图可以提供更丰富的上下文信息，有助于提高目标检测的准确性。

SPPF模块是通过多尺度的池化操作捕获图像中的全局和局部特征，然后将这些特征有效地融合在一起。这种模块在目标检测网络中非常有用，因为它可以帮助模型更好地理解不同尺寸的物体，从而提高检测性能。

Upsampling模块

在深度学习中，上采样（Upsampling）是一种常用的技术，用于将特征图的尺寸放大，以便进行更细粒度的特征提取或与不同分辨率的特征图进行融合。最近邻上采样（Nearest Neighbor Upsampling）是一种简单的上采样方法，其核心思想是将每个像素点复制到其周围的像素点，从而实现尺寸的放大。
以下是使用最近邻上采样将特征图尺寸放大两倍的基本步骤：
（1）确定上采样的尺寸：

• 假设原始特征图的尺寸为 h×w×c
• 目标是将特征图的尺寸放大两倍，因此新的尺寸将是2h×2w
  （2）应用最近邻上采样：
• 对于每个像素点 （x,y） 在原始特征图中，复制其值到新特征图中的（2x,2y）位置。
• 这样，每个像素点在水平和垂直方向上都会被复制一次，从而实现尺寸的放大。
  （3）填充边缘：
• 在新特征图的边缘，可能没有足够的像素点可以复制。在这种情况下，可以选择复制最近的像素点，或者简单地复制最后一个像素点。
  （4）实现代码：
• 在PyTorch中，可以使用nn.Upsample模块来实现最近邻上采样。以下是一个示例代码：

import torch
import torch.nn as nn

# 定义原始特征图
original_feature_map = torch.randn(1, 3, 10, 10)  # 假设有3个通道，10x10的尺寸

# 创建上采样模块，模式为最近邻
upsample = nn.Upsample(scale_factor=2, mode='nearest')

# 应用上采样
upscaled_feature_map = upsample(original_feature_map)

# 打印结果
print("Original Feature Map Shape:", original_feature_map.shape)
print("Upsampled Feature Map Shape:", upscaled_feature_map.shape)

Concat模块

在深度卷积神经网络中，concat模块用于将来自不同层或不同尺度的特征图在通道维度上进行拼接。这种操作有助于融合多层次、多尺度的信息，从而增强模型的特征表达能力和检测性能。
（1）特征提取：从不同的网络层提取特征图，这些特征图可能来自不同的卷积层或不同的检测头。
（2）尺寸匹配：对特征图进行尺寸调整，使它们在空间维度上具有相同的宽度和高度。
（3）拼接操作：在通道维度上将这些特征图拼接在一起，形成一个新的特征图。
concat模块主要用于以下几个方面：
（1）特征融合：将来自不同尺度的特征图拼接在一起，以提高模型对不同大小目标的检测能力。
（2）跨层连接：将低层的细节特征与高层的语义特征结合起来，增强模型的特征表达能力。
（3）多任务学习：在多任务学习场景中，concat模块可以将来自不同任务的特征图拼接在一起，进行联合训练。