YOLOv2

关于YOLOv2的个人理解

背景

首先此文是YOLOv1的进阶版，作者运用了多种不同的手段来提高模型预测的精确度，但我只会对其中核心的部分进行讲解，清楚YOLOv2与YOLOv1在整个核心算法流程上有什么不同，以及它的输入和输出分别是什么含义，怎么得到的。我认为这才是我们阅读一篇文章，具体要弄懂的东西。如有的地方解释存在纰漏，敬请指正，谢谢！

思想

核心思想与YOLOv1相同，仍然是将图片划分为S*S个grid（默认S=13），每个grid预测B个bounding box（默认B=5），但对于bounding box的生成与YOLOv1有着很大的不同，我会在后面的部分详细介绍；另外就是作者采用的一些其他的技术，虽然这些技术对模型的预测精确有着很大的提供，但我认为这并不是本文的重点，仅仅只是工程上的改变。

模型结构

这里稍微提一嘴，其实我在看目标检测论文的时候，很少会去在意它的模型结构是个什么样子，因为我们都知道深度学习它本身其实是一个黑匣子（你并不知道它的中间过程到底在学习什么），因此我们只需要知道模型的输入和输出是什么就行，以及输出为什么要设计成这个样子。
以下是整个模型结构：

观察整个模型我们可以知道输入图像的尺寸为416 * 416，输出的尺寸为13 * 13 * 125，从此刻我们可以得知模型会将整个图像的尺寸缩减为原来的1/32，那么这个尺寸的输出代表什么含义呢。首先作者按照YOLOv1的思想将图像分为S*S个grid（此处S=13）,然后每一个grid预测5个bounding box，每一个bounding box包含5个box的信息（为：相对于grid中心点坐标的偏移$t_x$，$t_y$，相对于anchor宽$P_w$的缩放比例$e^{t_w}$以及相对于anchor高$P_h$的缩放比例$e^{t_h}$,每一个box的置信度confidence和20个类别概率），因此每一个grid需要预测125个信息（包含了5个bounding box的相关信息）。其中我们需要注意的是我们计算的中心点偏移、置信度confidence、类别概率是需要经过Sigmoid函数缩放到[0~1]的，以及宽高缩放比例需要经过e^函数。

训练阶段

相信在介绍完模型结构之后，我们已经知道了模型的输入和输出是什么。接下来我将会详细介绍文章是怎么训练模型的。首先对于YOLOv2的损失函数采用的是与YOLOv1相同的，但还是存在了一点些许的不同。总的损失函数依旧分为有目标的bounding box的中心点损失、高宽损失、以及置信度损失；无目标的bounding box的置信度损失；有目标的bounding box的类别损失。

1. 有目标的bounding box的中心点损失L1
   以下为L1损失的公式：
   
   $x_i$：首先我们需要知道的一个点就是预测bounding box 的中心点$x_i$是怎么得到的，与YOLOv1一样，都是预测bounding box相对于grid左上角的偏移$t_x$（会经过Sigmoid函数归一化到[0~1]）。那么通过下面的公式，再在两边同时除以13（除以13的原因是因为我们最后是在13*13的特征图上预测的），这样就可以得到归一化的$x_i$。
   
   ${\stackrel{-}{x}}_i$：该变量为真实bounding box的中心点坐标（直接除以原图的宽W，约束到[0~1]）,如果想要知道相对于最后的13 * 13的特征图的位置。只需要将该值乘上13即可。
   同理我们可以知道$y_i$和${\stackrel{-}{y}}_i$。
   $1_{ij}^{obj}$：代指含有目标的预测bounding box，此处正样本的判定规则与YOLOv1不同，因为在YOLOv2中，作者加入了anchor的思想，而bounding box的生成和anchor有着密不可分的关系（一个anchor对应着一个预测的bounding box），也就是说每一个grid包含5个anchor，具体做法是：如果真实的bounding box的中心点落在哪一个grid中，将会与该grid中的所有的anchor计算IOU（计算方式：先将他们左上角对齐，再计算IOU），然后将这5个当中拥有最大IOU的anchor对应的预测bounding box标定为正样本，即此时$1_{ij}^{obj}$=1，否则为0。
   以下是关于$y_i$和${\stackrel{-}{y}}_i$的公式：
   
2. 有目标的bounding box的宽高损失L2
   以下是该L2损失的公式：

从公式中我们发现，这与之前的YOLOv1是不一样的（在宽和高的变量上加了根号），虽然两者的公式有着些许的差别，但都是去解决在相同的中心点偏移下，由于不同的box尺寸对IOU的影响力是不同的。
$w^{{}^{\prime }}$：真实的bounding box的宽，已被缩放到0~1。
$h^{{}^{\prime }}$：真实的bounding box的高，已被缩放到0~1。
w、h：预测的bounding box的宽和高，其中w和h是通过anchor的宽高相应比例得到的，网络预测得到宽高偏移量：$e^{t_w}$和$e^{t_h}$，将其与anchor的宽高$P_w$、$P_h$（这已经是归一化后的值，做法就是除以原图尺寸的宽和高）相乘，最终得到归一化后的预测bounding box的w和h。
公式：

综合公式，如有不懂的，可以在下方留言。

3. 有目标的bounding box的置信度损失L3
   与YOLOv1相同，不同的地方还是对正样本的判定方式。其中真实的置信度，文章仍然是选择IOU的方式计算的置信度（预测bounding box与真实bounding box之间的IOU，注意并不是anchor，不要搞混了）。
   公式：
   
   

4. 无目标的bounding box的置信度损失L4
   与YOLOv1相同。
   公式：
   

5. 有目标的bounding box的类别损失L5
   与YOLOv1有着些许的不同，那就是在YOLOv1中只会预测每一个grid对应的类别概率，而在YOLOv2中则会预测每一个bounding box对应的类别概率。
   公式：
   

测试阶段

测试的整个算法流程与YOLOv1完全相同，如果感兴趣的话，可以参考我在上一篇当中对YOLOv1的讲解。此处就不再重复了。

总结

本文只介绍了论文的核心算法部分，至于文章当中运用到的其他技术这里不作详细介绍，另外如果本文在理解上存在纰漏，敬请指正，谢谢！