YOLO v2-v3

概述

• yolo v1的缺点是对物体的定位的精度不够准确，且召回率较低，v2在v1的基础上做了改进升级，提升了定位准确度及召回率，从而提高了模型的mAP。

  在VOC2007上的精度和速度比较，如下图所示：
  
  yolo v2的改进策略及mAP值得比较如下图所示：
  

接下来详细的介绍具体的每一个改进策略：

1. YOLO v2在卷积层后边加入了batch Normalization，Batch Normalization可以提升模型的收敛速度，起到一定的正则化效果，降低了模型的过拟合问题，在加入BN后map提高了2.4个百分点。

2. 高分辨率分类器（High Resolution Classifier）
   ImageNet分类模型基本采用大小为 224X224的图片作为输入，分辨率相对较低，不利于检测模型，所以yolo v1先以 224X224的图片大小进行训练，之后将分辨率调到448X448，使用这个高分别率在检测网络上进行微调，由于直接切换为高分辨率检测模型训练难以快速适应高分辨率，所以yolo v2在以224X224的大小在ImageNet上训练160个epoch后，再以448X448的大小训练10个epoch，接着再在检测网络上进行微调，mAP提高了4个百分点。

3. 在YOLOv1中，输入图片最终被划分为 7X7单元格，每个单元格预测2个边界框。YOLOv1最后采用的是全连接层直接对边界框进行预测，其中边界框的宽与高是相对整张图片大小的，而由于各个图片中存在不同尺度和长宽比的物体，YOLOv1在训练过程中学习适应不同物体的形状是比较困难的，这也导致YOLOv1在精确定位方面表现较差；YOLOv2借鉴了Faster R-CNN中RPN网络的先验框（anchor boxes）策略，采用先验框使得模型更容易学习，为了使检测所用的特征图分辨率更高，移除其中的一个pool层。在检测模型中，YOLOv2通过缩减网络，使用416x416的输入，采样的总步长32，最后得到13x13的特征图，，每个单元格的各个anchor box都单独预测一套分类概率值。使用anchor boxes之后，YOLOv2的mAP有稍微下降，但是召回率大大提升，由原来的81%升至88%

4. 维度聚类
   在Faster R-CNN，先验框的维度（长和宽）都是手动设定的，选取合适的先验框维度，使得模型更容易学习，从而做出更好的预测，为了选择合适的因此先验框，YOLOv2采用k-means聚类方法对训练集中的边界框做了聚类分析，为了选择预测框与ground truth的IOU重合度高的Anchor，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：
   
   YOLOv2最终采用了5种Anchor

5. Darknet-19
   YOLOv2采用了一个新的基础模型，称为Darknet-19，结构：19个卷积层和5个maxpooling层，如下图所示。主要采用 3X3卷积，并且采用 2X2 的maxpooling层之后，特征图维度降低2倍，同时将特征图的channles增加两倍，Darknet-19最终采用global avgpooling做预测，并且在3X3卷积之间使用 1X1卷积来压缩特征图channles以降低模型计算量和参数。
   

6. 直接位置预测（Direct location prediction ）
   YOLOv2借鉴RPN网络使用anchor boxes来预测边界框相对先验框的offsets。边界框的实际中心位置（x，y），需要根据预测的坐标偏移值 （t_x，t_y），先验框的尺度（w_a,h_b） 以及中心坐标 (x_a,y_a)来计算：
   
   YOLOV2没有使用FasterRCNN预测偏移和尺度变换，而是沿用YOLOv1的方法，就是预测边界框中心点相对于对应单元格左上角位置的相对偏移值，为了将边界框中心点约束在当前cell中，使用sigmoid函数处理偏移值，这样预测的偏移值在(0,1)范围内，计算公式如下图所示：
   其中边界框预测的4个offsets 为（t_x，t_y，t_w，t_h）,（c_x，c_y)为单元格的左上角坐标，该单元格对应的box维度的长和宽分别为（pw，ph）
   
   通过聚类分析得到先验框与这种预测方法，YOLOv2的mAP值提升了约5%

7. 多尺度训练（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.

训练损失计算

• yolo v2使用的损失函数在v1的基础上做了修改，bbox的w和h的损失计算方式去掉了二次根号。

YOLO V3

• 相比YOLOv2，YOLOv3使用残差模型和采用FPN架构，，因为包含53个卷积层，所以称为Darknet-53，YOLOv3采用了3个不同尺度的特征图来进行目标检测，分别为13x13,26x26,52x52,用来检测大、中、小三种目标；也没有使用softmax， 在训练过程中，使用二元交叉熵损失进行类别预测。
  
  YOLOV3的详细结构如下：