YOLOv2解读

YOLOV2解读

建议看代码理解细节！
YOLOv2代码pytorch实现链接

简介

YOLOv2是在YOLOv1基础上改进而来的，它使用了一种新颖的多尺度的训练方法，与YOLOv1相比，相同的YOLOv2模型可以运行在不同大小的图片上，提供精度与速度之间的轻松权衡。最后提出了一种联合训练目标检测和分类的方法，使用这种方法可以同时在COCO检测数据集和ImageNet分类数据集上同时训练YOLO9000，并且此联合训练方法允许YOLO9000预测没有标记检测数据的目标类。这个YOLO9000训练此处不讲。

Better

这部分是作者针对YOLO的缺陷而进行的一些改进，那么YOLO有哪些缺陷呢？YOLO存在两个缺点，与faster-rcnn相比，第一：定位不明确，产生了大量定位错误；第二：与基于region proposal的方法相比，YOLO的召回率相对较低。 因此，YOLO主要朝着这两方面去提升。而在现在的计算机视觉领域，通常朝着更大更深的网络去提升性能，更好的性能通常取决于训练更大的网络或者将多个模型整合在一起。然而对于YOLOv2,反而是简化网络，大概看一下YOLOv2的表现：YOLOv2算法在VOC 2007数据集上的表现为67 FPS时，MAP为76.8，在40FPS时，MAP为78.6.

1、Batch Normalization

现在神经网络对图片训练前，都要对图片进行预处理，将图片数据分布归一化0和1之间，这样做的目的是可以加快训练收敛速度，防止梯度消失。问题在于对图像数据进行归一化只在神经网络第一层进行，那么随着网络深度加深或者在训练过程中，其数据分布逐渐发生偏移或者变动，之所以训练收敛慢，一般是整体分布逐渐往非线性函数的取值区间的上下限两端靠近，所以这导致反向传播时低层神经网络的梯度消失，这是训练深层神经网络收敛越来越慢的本质原因，而BN就是通过一定的规范化手段，把每层神经网络任意神经元这个输入值的分布强行拉回到均值为0方差为1的标准正态分布，其实就是把越来越偏的分布强制拉回比较标准的分布，这样使得激活输入值落在非线性函数对输入比较敏感的区域，这样输入的小变化就会导致损失函数较大的变化，意思是这样让梯度变大，避免梯度消失问题产生，而且梯度变大意味着学习收敛速度快，能大大加快训练速度。

而在论文中，BN（Batch Normalization）层简单讲就是对网络的每一层的输入都做了归一化，这样网络就不需要每层都去学数据的分布，收敛会快点。原来的YOLO算法（采用的是GoogleNet网络提取特征）是没有BN层的，因此在YOLOv2中作者为每个卷积层都添加了BN层。另外由于BN可以规范模型，所以本文加入BN后就把dropout去掉了。实验证明添加了BN层可以提高2%的mAP。

在上图的代码中可以看到，在每层的卷积层后都加上了一个BN层！

2、High Resolution Classifier

在原始YOLO中，用224×224分辨率的图片尺寸训练分类网络，接着又用448×448分辨率的图片尺寸训练检测网络。这种训练方法意味着从分类模型切换到检测模型的时候，模型还要适应图像分辨率的改变 。而YOLOv2将训练分成两步，首先先