YOLO算法之YOLOv2精讲

目录

YOLOv2的第一个改进就是网络的改进

YOLOv2的第二个改进在网络中加入了Batch Normalization

YOLOv2的第三个改进是增加了HighResolution Classifier

YOLOv2的第四个改进是Multi-ScaleTraining

YOLOv2的第五个改进是加入了Anchor机制

---

大家好，我是羽峰，今天要和大家分享的是YOLOv2算法。YOLOv2算法是在YOLOv1算法的基础上进行改进的，YOLOv1算法主要存在两个缺点：一是YOLOv1定位不准确，另一个是基于Region proposal的方法的召回率相对较低，因此YOLOv2主要是在这两方面做了一些改进。这个视频主要讲YOLOv2 的主要改进方案，尤其重点要讲述Anchor，Anchor是目标检测算法最重要的一个机制。希望通过本视频的讲解，各位朋友可以对YOLOv2以及Anchor有个更深入的了解。

同时可以关注公众号“羽峰码字”，或者b站“羽峰码字”，浏览更多内容哈。

 

YOLOv2的第一个改进就是网络的改进

使用DarckNet19代替了YOLOv1的GoogLeNet网络，这里主要改进是去掉了全连接层，用卷积和softmax进行代替。

 

YOLOv2的第二个改进在网络中加入了Batch Normalization

使用Batch Normalization对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖。

 

YOLOv2的第三个改进是增加了HighResolution Classifier

具体做法是：首先在448×448的全分辨率下在ImageNet上微调分类网络的10个epoch。这使网络有时间调整其过滤器，使其在更高分辨率的输入上更好地工作。然后，我们根据检测结果对网络进行微调。这种高分辨率分类网络使我们的mAP几乎提高了4％。

 

YOLOv2的第四个改进是Multi-ScaleTraining

让网络在不同的输入尺寸上都能达到一个很好的预测效果，同一网络能在不同分辨率上进行检测。当输入图片尺寸比较小的时候跑的比较快，输入图片尺寸比较大的时候精度高。

 

YOLOv2的第五个改进是加入了Anchor机制

这个是最重要的一个改进，也是本视频将重点讲解的一个改进。首先我们要了解什么是Anchor机制，Anchor首先要预设好几个虚拟框，在用回归的方法确定最终的预测框，在YOLOv2中，使用K-means算法来生成Anchor bbox，如图1所示，当k=5时，模型的复杂度与召回率达到了一个比较好的平衡，所以YOLOv2使用了5个Anchor bbox 。

                                                       图1  

 

我们将YOLOv1的输出与YOLOv2输出进行对比，如图2所示。YOLOv1是的输出7*7*30的多维向量，其中7*7是分辨率，对原图进行了7*7的分割，每个网格对应一个包含30个参数的向量，每个向量中包含两个bbox，每个bbox中包含5个向量，分别是bbox的质心坐标（x,y）和bbox的长和宽，还有一个bbox的置信度，剩下20个则是类别概率。这个如果不懂可以看一下我之前的文章，YOLO算法之YOLOv1精讲。而YOLOv2对此进行了修改，YOLOv2输出的是13*13*5*25的一个多维向量，其中13*13是分辨率，也就是说网络将输入图片分成了13*13的网格，每一个网格对应一个包含5*25=125个参数的一维向量，其中5代表5个Anchor bbox，每个Anchor bbox中包含25个参数，分别是bbox的质心坐标（x,y）和bbox的长和宽，还有一个bbox的置信度，剩下20个则是类别概率。这样的好处是YOLOv2可以对一个区域进行多个标签的预测，比如一个“人”的目标物体，他可以属于“人”这个标签，也可以属于“男”或者“女”这个标签，也可以是“老师”，“学生”或者“职工”等这些标签，而YOLOv1只能预测目标物体的一个类别。这里所做的最主要的改变是：bbox的四个位置参数的损失函数计算方法发生了改变。

                                                                                      图2

首先我们来认识一下Anchor bbox, Predicated bbox以及Ground truth bbox 三者之间的关系。如图3所示，红色框代表了Anchor bbox，蓝色框代表了 Predicated bbox，绿色框则代表了Ground truth bbox。我们希望的是Anchor bbox 接近于Ground truth bbox，但Anchor bbox是预先设定好的，不可以更改。但Anchor bbox可以生成不同的Predicated bbox，所以我们将我们目标转化为：Predicated bbox更接近于Ground truth bbox, 将这个目标转化为数学表达式就是f(x)，具体如图所示，那么我们的目标就变成了数学上的 tp 更加接近于tg。式子中都做了归一化，防止大物体干扰整个计算结果。

                                                             图3 三者之间关系 

其次我们要了解一下坐标转换的概念，YOLOv1的坐标是相对于整个图像的，而YOLOv2的坐标是相对于每个网格的，那如何得到相对网格的这个坐标呢，又是如何计算loss值的呢？

 

如图4所示，最开始我们会生成Anchor bbox，这时候的这个bbox是相对于整个图像来说的，所以此时我们要进行归一化，归一到[0，1]之间。YOLOv2的分辨率是13*13，所以我们要将这个[0，1]之间的坐标乘上13，使得bbox的坐标是相对于13个网格的，此时坐标范围在[0，13]之间。此时我们在进行归一化操作，使得此时的坐标是相对于单独一个网格的，归一化计算公式是xf = x-i, yf = y-j, wf = log(w/anchors[0]),hf = log(h/anchors[1])，这里我们可以举个粒子，加入x = 9.6（x的范围是[0，13]），那么此时的i是x的整数部分，也就是i = 9, 所以xf = 0.6，此时这个0.6就是相对于轴向第10个网格的x轴坐标。

                                                                                         图4 坐标变换 

然后就是最后的loss 计算，如图5所示，图片中间的公式就是YOLOv2loss的计算公式，这个计算公式是相对于网格的，而其对应的f(x)则是相当于整个图像的。网络会计算得到δ(tx)，δ(ty)，其中δ是sigmoid函数，将网络输出归一化到[0,1]之间，这样就会得到相对于某个网格的质心位置，加上该网格相对于整个13*13网格的偏移值，就会得到预测bbox的质心位置，高和宽，调整这个值，使其更加接近于真实的bbox。

                                                                                            图5 总结