2、YOLO V2学习笔记（自用）

---

一、回顾YOLO V1

YOLO V1笔记

算法总结

YOLO把整个图分成了7*7个grid cell，每一个grid cell预测2个bounding box。在训练阶段人工的标注框中心点落在了哪个grid cell，就由该grid cell去负责预测出的两个bounding box中的一个（和人工标注狂IOU大的）去负责预测拟合这个标注框。在预测阶段，这个YOLO就是一个黑箱子，输入的是448×448×3的图像，7×7×30维的张量tensor。这些tensor中就包含了所有预测框的坐标、置信度和类别结果，最后只需要解析7×7×30维的张量就可以获得目标检测的结果。

缺点

mAP较低，定位性能较差，即精确调整预测框位置的能力较差，同时recall也较低，因为YOLO V1把整个图分成了7*7个grid cell，每一个grid cell预测2个bounding box所以最多只能预测98个bounding box，所以很难把所有的目标全部检测出来。因此它检测小目标和密集目标能力较差。

二、YOLO V2

1.如何更准确？

1.1 Batch Normalization

参考：参考太阳花的小绿豆：Batch Normalization详解以及pytorch实验

BN层一般在线性层后面，激活函数前面，（1）可以加快神经网络的收敛（2）改善梯度远离饱和区（3）可以使用较大的学习率来训练网络（4）并且对于初始化也不那么敏感了（5）正则化的作用

1.2 High Resolution Classifier

1.2.1Anchor

一般的图像分类网络都是以很小的分辨率在ImageNet图像分类数据上训练（224x224），而YOLO V1最后的目标检测模型输入图像尺度是448448，所以如果是用一个很小的图片训练的网络，再在448448上的目标检测去训练，网络就要切换，得学习切换这两种分辨率，这就带来了性能降低。YOLO V2就直接在448x448的图像分类数据集上进行训练。

1.3 Anchor , Dimension Cluster , Direct Iocation prediction

在YOLO V1中人工的标注框中心点落在了哪个grid cell，就由该grid cell去负责预测出的两个bounding box中的一个（和人工标注狂IOU大的）去负责预测拟合这个标注框。但是这两个bounding box是“野蛮生长”的。
在YOLO V2中，给这bounding box先验的参考框，只需要这先验的参考框进行微调就行了。所以下图中“矮胖”的框就适合来预测车，“高瘦”的就时候来预测人。每一个预测框只需预测出相较于Anchor的偏移量就可以了。


在YOLO V2中把图片分成了13*13个grid cell，每一个grid cell预测5个Anchor（同样是与中心位置标注框IOU最大的Anchor去预测）只需预测出相较于Anchor的偏移量就可以了。

所以模型输出的结构也变了，在YOLO V2中把图片分成了13*13个grid cell，每一个grid cell预测5个Anchor，每一个Anchor除了四个定位参数一个置信度之外，还有20个类别条件类别概率。所以grid cell一个就是125个数。

Dimension Clusters—维度聚类K-means聚类确定Anchor初始值）

Anchor Boxes的尺寸是手工指定了长宽比和尺寸，相当于一个超参数，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。
在训练集的边界框上运行K-means聚类训练bounding boxes，可以自动找到更好的boxes宽高维度。由上面分析已知，设置先验Anchor Boxes的主要目的是为了使得预测框与真值的IOU更好，所以聚类分析时选用box与聚类中心box之间的IOU值作为距离指标

Direct location prediction—直接的位置预测

解读慢慢更新…

1.4 Loss

解读慢慢更新…（最近在摆烂）

1.5 Fine-Grained Features—细粒度的特征

细粒度的特征：一个feature map，也就是在最后的池化之前，分成两路：一路是做拆分，分成四块，四块拼成一个长条，另一个是做正常的池化卷积操作，最后两个长条叠加输出。

1.6 Multi-Scale Training—多尺度的训练

后续更新（不想写了，日常发疯，反正我自用QAQ）

三、Faster—更快

后面再写。。。

四、Stronger—种类更多（YOLO9000部分）

后面再写。。。

---

总结

学习的是b站同济子豪兄：链接在此