YOLOv2详解

最新推荐文章于 2023-03-13 17:42:58 发布

IT修炼家

最新推荐文章于 2023-03-13 17:42:58 发布

阅读量1.2k

点赞数

分类专栏：目标检测文章标签：深度学习神经网络人工智能计算机视觉目标检测

本文链接：https://blog.csdn.net/qq_42755230/article/details/125821231

版权

目标检测专栏收录该内容

3 篇文章 0 订阅

订阅专栏

YOLOv2论文名称: YOLO9000: Better, Faster, Stronger

YOLOv2论文下载地址：https://arxiv.org/pdf/1612.08242.pdf

YOLOv2：YOLO9000: Better, Faster, Stronger

YOLO9000的含义是YOLOv2网络可以识别9000个目标类别，这是因为YOLOv2利用了Imagenet数据集进行分类训练，所以可以识别超9000个目标类别。而YOLOv2的改进体现在Better、Faster和Stronger上。

YOLOv2在YOLOv1的基础上对检测方法和训练方法进行了改进，采用多尺度训练方法，在速度和准确率之间进行了权衡；使用联合训练方法，用ImageNet数据集训练分类，用COCO数据集训练检测，这种联合训练方式使得YOLOv2能预测9000多个不同目标类别的检测。

联合训练方式的提出主要是考虑到和检测数据集相比，分类数据集图像和目标类别更多，并且检测数据集的获取代价比较昂贵，分类数据集和检测数据集的规模注定不对等。为了更好地利用大量的分类数据集，YOLOv2改进了训练方式，利用标记的检测图像来学习精确定位目标，同时使用分类图像来增加其词汇量和鲁棒性。

Batter

YOLOv2主要针对于YOLOv1的定位错误和低召回率两个问题进行改进，在保持分类精度的同时，提高定位精度和召回率。YOLOv2希望保持网络实时性和精度的基础上优化网络，尝试很多想法，如下图所示：

在这里插入图片描述

1、batch norm：批归一化。BN层现在在网络中应该是必备的，可以改变数据分布，加快模型收敛，缓解深层网络中的梯度弥散问题。

2、hi-res classifier：高分辨率。YOLOv1训练分类时采用224 x 224的分辨率，训练检测时提高到448 x 448，这样直接从224到448的跳跃太过简单粗暴，YOLOv2在用448分辨率训练检测时先用448分辨率训练分类10个epoch，对分类网络微调，作为一个过度。

3、convolutional：全卷积。YOLOv1网络最后有两个全连接层，YOLOv2将它们去掉，整个网络都是卷积层组成的

4、anchor boxes：锚框。YOLOv2借鉴了Faster R-CNN的先验锚框思想，预测目标位置的偏移量，简化了问题，使网络更容易学习。并且YOLOv2将类别预测和网格分开，不再是一个网格一个类概率，而是一个锚框一个类概率，以锚框为单位预测类和目标。使用锚框mAP会小幅下降，但是增加了召回率，可以让模型有更大的改进空间。

5、new network：新网络。YOLOv2采用了Darknet-19这个新网络，如下图所示，网络相比于YOLOv1的主干网络更小了，只有19个卷积层，减少了计算量和参数。

在这里插入图片描述

Table 6: Darknet-19.

6、dimension priors：尺寸先验。YOLOv2借鉴了Faster R-CNN的先验框方法，但是不像Faster R-CNN手动设置先验框，YOLOv2使用K-means聚类，以确定先验框的宽和高

在这里插入图片描述

7、location prediction：位置预测。YOLOv2借鉴了Faster R-CNN中的方法，预测x、y均为偏移量，并且经过sigmoid处理，使其保持在0~1，不会在训练过程中因为超过界限使模型不稳定
$\begin{equation} \begin{aligned} b_{x} &=\sigma\left(t_{x}\right)+c_{x} \\ b_{y} &=\sigma\left(t_{y}\right)+c_{y} \\ b_{w} &=p_{w} e^{t_{w}} \\ b_{h} &=p_{h} e^{t_{h}} \\ \operatorname{Pr}(\text { object }) * \operatorname{IOU}(b, \text { object }) &=\sigma\left(t_{o}\right) \end{aligned} \end{equation}$
限制了位置预测值的范围后，参数化更容易学习，网络也更加稳定。

在这里插入图片描述

8、passthrough：直通。将26 x 26的特征图和13 x 13的特征图concat拼接，类似于特征金字塔融合，增加了检测的细粒度，具体就是26x26x512的tensor拆分为4个13x13x512的tensor，然后再通道维度上拼接得到13x13x2048的tensor，然后和最后输出的13x13x1024的tensor通道维度上拼接到一起，得到13x13x3072大小的tensor。

单纯13 x 13大小的特征图对大目标的预测没有问题，但是对于小目标可能就不够用了，加入26 x 26的特征图可以获取更细粒的特征，有助于小目标的定位。直通层通过将相邻的特征堆叠到不同的通道而不是空间位置上，将高分辨率的特征与低分辨率的特征串联起来，类似于ResNet中的恒等映射。

9、multi-scale：多尺度。多尺度体现在训练的输入图片上，YOLOv1使用448 x 448的分辨率检测图片，YOLOv2将输入分辨率改为416 x 416，这样最终得到的网格行和列都是奇数，对应于大多数图片的目标都位于图片正中间。多尺度训练是在训练时调整图片大小，YOLOv2的多尺度训练每隔10个epoch就会随机选择一个新的图像尺寸，从以下32的倍数中抽取：{320, 352, …, 608}，最小的选项是320 × 320，最大的是608 × 608。

多尺度训练使得网络在各种输入维度上都有良好的预测结果，即网络可以预测不同分辨率下的结果，网络在较小尺寸下运行的更快，在某种程度上来说加快了预测速度。

10、hi-res detector：高分辨率检测器。由于训练时图像分辨率会不断改变，并且供选择的图片尺寸比较大，所以能够后对高分辨率图像有好的检测效果也就说的通了。

Faster

YOLOv2希望在改进YOLOv1缺点的同时，精度更好，速度更快。之前大多数框架都是基于VGG-16作为特征提取网络，YOLOv1借鉴GoogleLeNet网络，但他们都仍然十分复杂，YOLOv2提出了新模型Darknet-19，只有19个卷积层和5个最大池化层，网络模型大大简化。

Darknet-19分类训练使用了ImageNet数据集，最初使用224 x 224大小训练，在进行检测训练前使用448 x 448大小训练对网络进行微调，以便后面使用448 x 448大小的网络进行检测训练。检测部分网络zaiDarknet-19的最后一个最大池化层之后，检测结果中每个网格有5个锚框，每个锚框都会预测4个坐标，1个置信度，和C个类概率，对VOC数据集来说就是20个类概率，也就是每个网格会预测5x（4+1+20）=125个值