yolov2的网络架构

 

目录

1.Batch Normalization（批次归一化）

2.High-Resolution Classifier（高分辨率分类器）

3.Darknet-19

4.Convolutional With Anchor Boxes

5.Dimension Clusters（聚类提取先验框）

5.Directed Location Prediction

6.Fine-Grained Features

7.Multi-Scale

---

  YOLOv2（You Only Look Once version 2）是一种流行的实时目标检测系统，由 Joseph Redmon 和他的同事在 2016 年提出。YOLOv2 在其前身 YOLO 的基础上进行了改进，包括速度和准确性的提升。本文将介绍 YOLOv2 网络架构的关键特点。

1.Batch Normalization（批次归一化）

  V2版本舍弃Dropout，卷积后全部加入Batch Normalization，网络的每一层的输入都做了归一化，收敛相对更容易，并减少过拟合现象。经过Batch Normalization处理后的网络会提升2%的mAP，从现在的角度来看，Batch Normalization已经成网络必备处理。

2.High-Resolution Classifier（高分辨率分类器）

  YOLO-V2具有更大的分辨率，V1训练时用的是224*224，测试时使用448*448，可能导致模型不适应所有任务，V2训练时额外又进行了10次448*448的微调，使用高分辨率分类器后，YOLOv2的mAP提升了约4%。

3.Darknet-19

  YOLOv2 的特征提取部分基于 Darknet-19，这是一个包含 19 个卷积层和 5 个最大池化层的网络，没有全连接层。卷积层中很多层采用1*1的卷积核，节省了很多参数。

4.Convolutional With Anchor Boxes

  YOLOv2使用卷积层和锚框（Anchor Boxes）来预测边界框，代替了YOLOv1中的全连接层。这种方法使得模型能够更有效地预测物体的位置。

5.Dimension Clusters（聚类提取先验框）

YOLOv2通过聚类分析自动确定锚框的尺寸，而不是手动选择，这有助于提高模型对不同尺寸物体的检测能力。流程为：在模型训练之前，提前把训练集的标签值提取出来，通过k-means聚类的方法，聚类出5个类别，结果当作是先验框。最后再进行模型训练。

5.Directed Location Prediction

  YOLOv2改进了边界框的位置预测方法，使用sigmoid函数将偏移量映射到0、1之间，将预测值限制在合理范围内，从而提高了模型的稳定性。

6.Fine-Grained Features

  为了更好地检测小物体，YOLOv2引入了细粒度特征，通过passthrough层将高分辨率的特征图与低分辨率的特征图结合起来。

7.Multi-Scale

  YOLOv2在训练过程中采用多尺度输入，每隔一定批次随机改变输入图像的尺寸，使模型能够适应不同尺寸的图像。