（论文精读）YOLO-V2 & YOLO9000 ……（YOLO9000: Better, Faster, Stronger）

论文地址：https://arxiv.org/pdf/1612.08242.pdf

一、精读论文

论文题目

YOLO9000:
Better, Faster, Stronger

论文作者

Joseph Redmon∗†, Ali Farhadi∗

刊物名称

出版日期

2016

摘要

作者在摘要里说明了本篇论文分为两部分，
第一部分就是对yolov1的改进，最终效果是，可以很快但精度略低，可以很精准但速度略慢。
第二部分是对如何检测9000个物体的说明，用了一个联合训练的方法，使得yolov2可以检测出来原本没有标签的物体。
训练是在coco目标检测数据集和imagenet分类数据集，验证在imagenet目标检测数据集，这里有不同的三个数据集。

关键词

yolo

总结

我们介绍了YOLO9000，一个最先进的，实时的目标检测系统，可以检测超过9000个目标类别。首先，我们提出了对YOLO检测方法的各种改进，包括新颖的和来自以前的工作。改进后的模型YOLOv2是最先进的标准检测任务，如高标准VOC和COCO。使用一种新颖的、多尺度的训练方法，相同的YOLOv2模型可以在不同的大小下运行，在速度和准确性之间提供了一个简单的权衡。在67FPS的速度下，YOLOv2在VOC2007上获得76.8mAP。在40FPS的速度下，YOLOv2获得78.6mAP，性能优于最先进的方法，如使用ResNet和SSD的Faster RCNN，同时运行速度仍然要快得多。最后，我们提出了一种联合训练目标检测和分类的方法 ,利用该方法，我们在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000。我们的联合训练允许YOLO9000预测没有标记检测数据的对象类的检测。我们在ImageNet检测任务上验证了我们的方法。YOLO9000在ImageNet检测验证集上获得19.7mAP，尽管只有200个类中的44个的检测数据。在非COCO的156个类别中，YOLO9000得到16.0mAP。但是YOLO可以检测到200多个类；它预测了对9000多个不同对象类别的检测。而且它仍然可以实时运行。

二、研读总结（分三段总结，500字左右）

1、 针对问题与解决方法

（1）Batch Normalization.(BN,批归一)
BN我在之前读论文的时候详细的说过，这里就不再赘述了，可以看一下我整理的BN那一篇论文，【精读AI论文-BN】
这是一个普遍的常用技巧。BN是对每一个神经元的输出进行标准化，而不是对某一层输出整体标准化。

在yolov2的所有卷积层中都加入了BN(卷积-BN-激活)。加入后有2%的mAP提升。

（2）High Resolution Classifier.(高分辨率的分类器)
对于目标检测而言，图片分辨率高的话会让定位和识别分类更加精准，所以在yolo v1中，作者预训练时用的是imagenet分类数据集是224 * 224的，后面微调的时候将224 * 224 图片变成448 * 448的尺寸(目标检测)输入网络，这样改变尺寸，网络就要多重新学习一部分，会带来性能损失。

这块容易混，再简单说一下，v1中预训练使用的是分类数据集，大小是224 * 224 ，然后迁移学习，微调时使用yolo模型做目标检测的时候才将输入变成448 * 448。

作者在V2中改进，直接在预训练中输入的就是448 * 448的尺寸，微调的时候也是448 * 448。

这一个弥补措施提高了 4%的mAP。

说实话我觉得这是作者故意留的一手，这是非常容易想到的点，要不就是作者着急发论文，要不就是作者想第二年再继续发论文留的(手动狗头)。

（3）Convolutional With Anchor Boxes.(带有锚的卷积)
这个anchor机制我最早是在Faster R-CNN里看到的，在刚看yolov1的时候我就在想，grid cell生成的是不是 anchor，读到后面发现不是，在v1里生成的是 bounding boxes。

在yolov2中，一张图片分割成13 * 13 的网格，每个grid cell生成5个长度比例都定好的 anchor。也是通过IOU计算，选出来一个anchor产生的预测框去预测物体。

也就是每一个grid cell生成5个anchor，这5个anchor分别对应5个预测框，这些预测框要计算对应anchor的偏移量和置信度。

刚开始的anchor尺寸比例通过数据集分析聚类得到。

v1版本中每个grid cell 携带的是30个信息(whxy+置信度+分类数)，v2版本中每个grid cell携带的是 25 * 5 =125个信息，5就是5个anchor，25是 xywh+置信度+分类数。所以v1输出7 * 7 * 30 。v2输出 13 * 13 * 125(13 * 13 * 5 * 25)。

为了让模型更加稳定，并且v1中bbox存在尺度无限制问题，v2中做出了一些改进，让预测框的中心点约束在该grid cell内，而对于anthor则没有约束。

并且去掉了v1中的全连接层。
去掉池化层，让输出的分辨率更高，并且将输入分辨率变成416*416，目的是想让最后输出的feature map是奇数大小。这里的奇数偶数是指最后输出的大小(输入除以32)。

为啥要奇数？如果是偶数的话，中心点就落在了四个格子的交汇处，奇数就刚好落在一个格子的中心。也就是希望让一个grid cell去预测物体，而不是四个。
v1中是 7 * 7 * 2 = 98个框，v2中是13 * 13 * 5 = 845个框。

不用anchor：69.5%mAP，recall 81%。
用anchor：69.2mAP，recall 88%。

精度下降0.3%，不过recall上升了 7%，这里其实也比较好理解，v1里就不到一百个框，v2里变成不到一千个框了，多了这么多框recall肯定增加了，不过增加了这么多框，必然带来了更多无用的框，precision下降一点点也是可以理解的。

再明确一下这俩的区别：
recall：真正目标被检测出来的比例。
precision：预测框中包含目标的比例。

简言之，recall表示得找全，precision表示得找准。

（4）Dimension Clusters.(维度聚类)
这一块主要解释如何得到anchor。
首先批评了一下Faster R-CNN。Faster R-CNN使用的RPN里出现了anchor，但他的anchor是手工指定了长宽比和尺寸，相当于一个超参数，不过这违背了yolo对于目标检测模型的初衷，因为如果指定了anchor的大小就没办法适应各种各样的物体了。

v2中不再手工指定anchor的长宽比，而是使用k均值聚类方法。
关于k均值聚类我之前也有整理过笔记，可以看一下----机器学习算法----聚类
在计算聚类距离的时候没有用传统的欧氏距离，用的IOU。

2、 数据实验与结论分析

对比yolov1所作出的改进：

加了BN（卷积后，激活函数前）;
加了高分辨率分类器;
加了anchor(聚类得到个数,1个gird cell 生成5个anchor);
限制预测框；
加入细粒度特征(类似于concat的残差)
加入对尺度训练
改进骨干网络(GoogleNet 变darknet-19)
通过WordTree将不同数据集结合联合训练。用一种新颖的方法扩充了数据集。
再用一张表格对比一下V1和V2版本