目标检测 YOLO 系列： 更快更准 YOLO v2

目标检测 YOLO 系列： 更快更准 YOLO v2

• 目标检测 YOLO 系列： 开篇
• 目标检测 YOLO 系列： 开宗立派 YOLO v1
• 目标检测 YOLO 系列： 更快更准 YOLO v2
• 目标检测 YOLO 系列： 持续改进 YOLO v3
• 目标检测 YOLO 系列： 你有我有 YOLO v4
• 目标检测 YOLO 系列： 快速迭代 YOLO v5
• 目标检测 YOLO 系列：你有我无 YOLOX

作者：Joseph Redmon, Ali Farhadi
发表时间：2016
Paper 原文： YOLO9000: Better, Faster, Stronger

Joseph Redmon 等于 2016 年在 YOLO9000: Better, Faster, Stronger 中提出了 YOLO 的改进版本 YOLO V2 和 YOLO9000，其中 YOLO9000 是在 YOLO V2 的基础上采用联合训练的方式，使其可以检测超过 9000 个种类的物体的检测模型。这里重点介绍 YOLO V2。

YOLO V2 出来的时候 SSD 已经提出来了，Faster RCNN 就更早了，所以 V2 论文中以 Faster RCNN 和 SSD 作为 benchmark。

1 网络结构

首先是 backbone， V2 的 backbone 不再是 GoogLeNet v1，而是作者自己设计的一个网络，叫做 Darknet-19，这个网络的特点是网络结构小巧，但是性能表现却很不错。更多关于 Darknet-19 的介绍可以参考 CV 经典主干网络 (Backbone) 系列: Darknet-19。

先来看一下 YOLO v2 的网络结构图。如下所示。

从上图可以发现，v2 的整体结构依然清爽。和 v1 相比除了 backbone 从 GoogLeNet v1 变为了 Darknet-19 之外，还有如下两点变化：

• 网络中没有 fc 层了
• 多了一条类似 ResNet 中的 shortcut（图中红色的连接），作者表示这一操作提升了1%的成绩。

更详细的网络结构如下。v2 总共有 22 个 conv. 层，没有 fc 层。相比 v1 的 24 个 conv. ，2 个 fc 层相比， v2 网络更小，这也是为什么v2 的速度能够更快的原因。

从下表可以发现，网络的输入图片尺寸发生了变化，v1 的输入尺寸是 448x448，但是 v2 这里是 416×416，这主要是为了让网络最后得到一个奇数的 feature map（13x13）。

此外和 v1 相比 stride 变为 32（v1 为 64），可以得到更大的 feature map（13x13, v1 为 7x7），这样将有利于检测小目标。

更进一步的，以 Convolution-22 层为例，可以看到作者引入了 BN 操作。作者在论文中表示这一改进提升了2%的成绩。

[convolutional]
batch_normalize=1
size=3
stride=1
pad=1
filters=1024
activation=leaky

除了上面在网络结构中体现的涨分点之外，作者还采用了如下的训练技巧。

• High Resolution Classifier，训练分类预训练模型时采用 224x224，但是在训练检测模型的时候用的是 448x448，但是这种直接切换分辨率的做法，检测模型可能难以快速适应高分辨率，所以作者在训练完预训练分类模型后，采用 448x448 的输入再 finetune 10 个 epoch，这样有助于改善这一状况。使用高分辨率分类器后，YOLOv2 的 mAP 提升了约 4%。
• Multi-Scale Training，由于 YOLOv2 模型中只有卷积层和池化层，所以 YOLOv2 的输入可以不限于 416x416 大小的图片。为了增强模型的鲁棒性，YOLOv2 采用了多尺度输入训练策略，具体来说就是在训练过程中每间隔一定的 iterations（作者取 10） 之后改变模型的输入图片大小。由于 YOLOv2 的下采样总步长为 32，输入图片大小选择一系列为32倍数的值: 320 , 352 , . . . 608 {320,352,...608}