YOLOv4的誕生由一場會議而起。
2018年的一個春天，中研院資訊所廖弘源特聘研究員團隊成員們坐在會議室裡，盯著投影簡報上的10道題目。當時沒人知道，這些題目最後會催生出驚艷全球AI社群的物件偵測模型。
那是義隆電子與中研院團隊第二次聚會討論，他們因科技部的「業界出題、學界解題」AI計畫相識，共同展開為期4年的改造計畫。那些題目，都是義隆電子研發產品時遇到的挑戰，幾乎都圍繞在電腦視覺上。中研院團隊的核心人物、中研院資訊所所長廖弘源也以「實用」和「能以科學方法解決」這兩個原則，共同篩選出5道題，並從中整理出3項關鍵技術，來集中火力研究。
瞄準3技術，解題模型要輕快準
這3項技術，分別是行人重識別、魚眼鏡頭車流分析，以及手機人臉防偽造。中研院資訊所博士後研究員王建堯解釋，第1項是要辨識同一人在不同場景出現的情況，比如在賣場中，辨識四處移動的消費者，來了解他們的移動軌跡和商品偏好等行為。
第2項技術，是要透過裝設在交通號誌下的魚眼鏡頭，來分析道路車流，進一步調控交通號誌燈。至於人臉防偽造，是要防止手機人臉辨識時，有心人以照片或面具來混淆辨識系統。
這3種技術雖有各自的應用場景，但其實，它們都面臨同一道挑戰——如何在運算資源不足的低階設備上，執行AI推論且達到高準確度。比如，2018年的手機運算資源有限，大多未內建AI加速晶片，團隊得開發出輕量、準確且快速的AI模型，才能在手機上執行臉部防偽辨識。又比如，要利用魚眼鏡頭畫面來分析車流，只能仰賴交通號誌燈下的簡易供電系統，得選用功耗較低的Nvidia Jetson TX2開發板，運算資源只有一般GPU的十分之一，因此AI模型也得又輕又快又準，才能達到要求。
三番兩次研發新方法，拉高15%準確率突破通用性瓶頸
廖弘源帶著研究員王建堯，負責實踐第1項技術。成功開發出符合要求的辨識系統，但後來考量，這種在公共場所辨識個人的技術，日後可能涉及隱私議題，第一年還沒結束就決定終止，不再繼續研究了。
而第2項技術，原由另一組中研院團隊負責。這道題同樣為期4年，每年訂出階段目標。2018年，計畫第一年要完成魚眼車流分析，第二年則是實現路口停等車隊與車流分析、混流車牌識別、行車魚眼多物件追蹤等任務，2020年要結合前兩年的技術，來建立路口交通號誌控制系統。2021年，則進一步完善智慧交通路網號誌控制系統，透過混流車牌識別技術，以科技執法來揪出違規車輛。
在2018年展開計畫後，原團隊採用當時熱門的開源物件偵測模型YOLOv3，來分析魚眼鏡頭拍攝的十字路口畫面，進一步辨識車輛、車種，並計算車流量、平均速度、路口平均佔有率等。
這套基於YOLOv3的模型，能良好辨識在訓練資料集有涵蓋的場景，但將模型部署到臺中主要幹道的真實場域後，辨識準確度反而下滑了，只有80%左右，無法達到專案要求的90%。
YOLOv3已是世界級的物件偵測模型，但研究團隊調校再調校，仍無法解決問題在真實場域中準確度不足的問題。這時，終止第1項技術研究的廖弘源和王建堯加入了第2項技術團隊，來解決這個瓶頸。
為了解題，也為了配合硬體資源限制，王建堯先是參考了輕量的物件偵測模型ResNet，改良其學習策略，開發出一套快速、低功耗的輕量級電腦視覺模型PRN。PRN雖比YOLOv3快上兩倍，但準確度比YOLOv3差。
第一次嘗試失利，但王建堯再接再厲，2019年研發出CSPNet，提高模型梯度組合，也最大化梯度多元性，一改卷積網路為人詬病的梯度消失問題，大大提高模型學習效率。CSPNet不只耗費的硬體資源更低，準確率也更高。
更重要的是，CSPNet部署到真實場域後，面對訓練時未見過的場景，「辨識準確率比基於YOLOv3的模型高出15%！」終於解決前一年難以突破的瓶頸，王建堯回想起來，還是難掩興奮：「CSPNet可以用差不多的速度，突破90%準確率，甚至接近95%！」他點出，這也是義隆電子印象深刻之處，更證明了CSPNet更通用的能力。
開源習慣養出YOLOv4
2019年11月，王建堯按照慣例，也將自行研發的CSPNet專案程式碼開源。有別於學界常用Python來開發AI模型，熟諳晶片軟硬體技術開發的王建堯，自己從2018年開始，就用業界常用的C和C++程式語言，搭配YOLO專用的深度學習框架Darknet來開發模型。因此，不論是PRN還是CSPNet，他一律開源，貢獻給YOLO社群，也因此與社群培養出緊密的關係。
「我們開源模型，來尋求原版框架的支援，因此而獲得在GitHub與YOLO社群上的密切討論。」王建堯回憶，他開源的模型，通常會在短時間內獲得Darknet支援，也數次被納入電腦視覺界重要的函式庫OpenCV中。他也會將開發出的新功能程式碼，直接交由YOLOv3 Darknet的維護者Alexey Bochkovskiy處理，新增至新版模型中。這次合作也讓王建堯與Alexey Bochkovskiy開始熟悉，後來Alexey更成了將YOLOv4帶進國際社群的關鍵人物，也名列YOLOv4共同作者。
因為，2019年那次開源後，Alexey Bochkovskiy立刻就被CSPNet吸引。他主動聯絡廖弘源和王建堯，要用3種GPU來測試CSPNet性能，還要進一步以CSPNet，開發下一代YOLO模型。
不出所料，CSPNet在3種GPU測試中都拿下第一，三方也緊接著在2020年初著手打造新模型。他們以CSPDarkNet53為新模型的Backbone，來加強卷積網路學習能力，Neck部分則加入空間金字塔池化層和PANet，前者用來強化接受區域（Receptive field）作用，能將最重要的特徵區分出來，後者則取代YOLOv3的FPN，在不同等級的偵測器中聚合參數。Head的部分，則採用YOLOv3。
過程中，這三人不僅分工開發，Alexey Bochkovskiy也拿著論文草稿，來與YOLO前三代的原作者一一討論。在一連串的努力下，去年4月，YOLOv4正式發表。
別讓我知道資料長怎樣！高標準測試讓YOLOv4一問世就成第一
他們對YOLOv4的講究，還不只如此。在測試模型通用性的關鍵階段，王建堯特別要求義隆電子團隊，「千萬別讓我們知道一部分的標註資料長怎樣！」這是因為，這麼做，模型開發者就不會根據那些資料來設計模型，而是採取更通用的設計方法。
而且，「訓練資料與測試資料完全無關，就像是盲測，測出的結果也更公平公正。」王建堯補充，正因為用更嚴格的標準來要求，模型實作出來後，成果往往比預期更好。
經嚴格標準打造的YOLOv4，在去年秋季舉辦的微軟COCO即時物件偵測挑戰賽中，一舉奪下全球第一，擊敗Google、臉書、IBM等擁有大量資源的科技巨頭。
這個第一名，YOLOv4穩坐了好幾個月。
這讓王建堯很訝異。他坦言，一路來，他和團隊只想著如何解決義隆電子難題，要打造一套模型，能在運算資源有限的低階設備上，又輕又快又準地辨識物件。當時，他們就發豪語要超越世界第一，來實現目標，「只是當我們做到後，我沒想過，其他人還沒跟上來。」王建堯解釋，那段時間裡，也有許多團隊在研發更好的物件偵測模型，但研發成果還不及YOLOv4，有段時間差。
他也認為，YOLOv4之所以能成為影響世界的AI模型，正因為有業界出題、學界解題這種產學共創模式。「這對AI技術發展很重要！」他點出，學界和業界容易存在技術落地的鴻溝，而產學共創模式，能讓學界了解業界面臨的實際問題，進而研發出能落地的技術。王建堯強調，業界少有「共享知識」的習慣，而學界研發新技術，幾乎得公開發表論文、開源模型，在知識的共享上更為開放。整合業界與學界的知識，就能產出令人驚豔的成果。
YOLOv4讓一般企業、個人都能負擔得起AI研究
不過，對他來說，YOLOv4最大的意義不在於輕、快、準，而是物件偵測技術的普及。「很多模型開源後，一般人不見得能用。」他解釋，因為這些模型大多得仰賴昂貴的硬體設備，如好幾百個TPU，甚至上千張GPU才能訓練模型。相反地，YOLOv4只需個人電腦上的1個GPU，就能訓練好模型、進行推論，甚至，它比科技巨頭用上千顆GPU訓練出的模型還還有更好的表現。
「YOLOv4最大的效果是，人人可做AI研究，而不只侷限於大科技公司！」王建堯說。
開發出YOLOv4後，王建堯也馬不停蹄展開新研究。因為，義隆電子在去年底，給團隊開出了一個新目標，不只要模型輕快準，還要能執行多任務，而且每個任務都要能做好。
https://www.ithome.com.tw/news/148299
