YoloV2——你总能在这找到你想要的答案

目录

一：前言

二：YOLOv2的一些主要改进和特点：

三：更快，更强一点

 四：移除FC层

五：与V1相比

六：感受野

​七：特征融合

八：所有项目代码链接

---

一：前言

        YOLOv2（You Only Look Once v2）是YOLO目标检测算法的第二个版本，由Joseph Redmon和Ali Farhadi于2016年提出。YOLOv2在YOLOv1的基础上进行了一系列改进，以提高目标检测的准确性和性能。

二：YOLOv2的一些主要改进和特点：

1. Darknet-19网络结构：YOLOv2使用了一个称为Darknet-19的新网络结构作为主干网络。Darknet-19是一个19层的卷积神经网络，具有更多的卷积层和更小的卷积核大小，可以更好地学习图像特征。

2. Anchor Boxes：YOLOv2引入了Anchor Boxes的概念，用于检测不同尺寸和宽高比的目标。通过预定义一组Anchor Boxes，每个Anchor Box与特定尺寸和宽高比的目标相关联，YOLOv2可以更好地适应不同尺寸的目标。

3. 多尺度训练和预测：YOLOv2使用了多尺度训练和预测的策略。在训练过程中，YOLOv2将输入图像随机缩放到不同尺度，并在不同尺度下进行训练，以提高模型对不同大小目标的检测能力。在预测过程中，YOLOv2采用了多尺度预测策略，通过在不同尺度下对图像进行预测，并将预测结果融合，来提高检测的准确性。

4. Darknet-19和YOLOv2的联合训练：YOLOv2采用了一种联合训练的方法，同时训练Darknet-19网络和YOLO检测层。这种联合训练可以使得整个模型在端到端的训练过程中更好地学习图像特征和目标检测。

5. Batch Normalization：YOLOv2在网络中引入了批归一化（Batch Normalization）层，用于加速训练过程和提高模型的鲁棒性。

6. 目标分类改进：YOLOv2使用了更细粒度的目标分类策略，通过将目标类别分为更多的细分类别，可以提高目标分类的准确性。

三：更快，更强一点

 目前最流行的做法就是卷积后无脑加BN就行。V2版本已经丢掉Dropouut了

训练完224的图片后又对数据集训练了10次448的图片，然后进行测试。

 

 四：移除FC层

Yolov2已经移除了FC层，而且darknet只有3*3和1*1的卷积核，

        结果下采样后，希望结果是奇数的，因为这样才能取到中心点。而且选用卷积核比较小进而使得感受野比较大 。

 

不同的生成锚框的方法

 Faster-rcnn的锚框生成做法：先验知识先定义比例

Yolov2生成锚框的做法：使用的是k-means聚类算法来输出锚框。

具体做法：把真实标注框做聚类（K=5），

Yolov2中聚类中的距离的计算（平时一般kmean的聚类的计算是用欧氏距离计算的）

具体的K的取值5是通过实验得来的

一个像素点生成5个不同的候选框（锚框）

 

五：与V1相比

Yolov2引入锚框：recall提升了，map几乎不变。Recall越高表示能捕捉到标注的物体的框越多

 V2的偏移量计算方法（v1是直接计算偏移量没有相对于grid cell，可能会偏移很大）

 

 

t系列是预测值

        使用sigmoid函数，限制tx和ty的大小在0-1之间（，因为他是相对于一个grid cell的。所以无论怎么飘，都不会像v1那样飘出边界），  然后再加上当前网格的左上角坐标，再进一步还原为原图上的正确坐标。

 darknet

        Yolo系列的darknet都是用很小的卷积的，这样好处很多：计算量减少，可以多加几次BN层，因为7*7只有一次BN，只开一次家长会，不够骂，成长慢，而3*3可以用两次BN，开两次家长会，够骂，成长快。

六：感受野

七：特征融合

 

        YOLOv2相对于YOLOv1在检测准确性和性能方面有了显著的提升，但仍然存在一些限制。随后的YOLO版本进一步改进了YOLOv2的算法，以进一步提高目标检测的精度和性能。

八：所有项目代码链接

视频，笔记和代码,以及注释都已经上传网盘，放在主页置顶文章