YOLOV2学习笔记

YOLOV2笔记

前言

YOLOv2针对YOLOv1的问题进行了改进，YOLOv2的改进点有新颖的，也有借鉴之前工作的。改进后的模型YOLOv2在PASCAL VOC和COCO等标准检测任务中是最先进的。

YOLOv2在保持处理速度的基础上，从预测准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。

话不多说，看看都改进了哪些吧。

YOLOv2算法思想

YOLOv2的论文题目是：《YOLO9000:Better,Faster,Stronger》

9000是指可以识别9000种对象，后面就更通俗易懂了。更好，更快，更强（奥运会口号！）

YOLOv2的论文发表于2017年的CVPR会议，针对YOLOv1主要做了如下改进工作：

这里可以看出共有10点改进的策略。每个✔的地方代表加入这种策略，对应下方的MAP的变化，可以发现，每增加一个改进点，MAP基本上都是稳步增加的。最终从63.4增加至78.6。

YOLOV2的网络结构图是这样的，先放在这儿当总览了，以后再学习新的网络，先看网络结构图，就知道和其他网络的区别了。

现在来一起看看这些策略吧。

1. Better

与最先进的探测系统相比，YOLO有许多缺点。与Fast R-CNN相比，YOLO存在大量的定位误差。YOLO具有较低的召回率。因此，我们主要关注提高召回率和定位，同时保持分类的准确性。

1.1 Batch Normalization（BN层）

根据原文叙述，BN层可以显著提高收敛性，同时消除其他形式的正则。通过在YOLO的所有卷积层上添加BN层，在mAP上得到了超过2%的改进。批处理归一化还有助于模型的正则化。通过BN层，我们可以在不过度拟合的情况下从模型中去除dropout。

翻译过来中国话，一句也没看懂，因此有必要深入理解一下BN，在后续的网络中，这成为了必不可少的东西。

BN是2015年提出的一种方法。

原文链接：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

从原文摘要中，是这样描述的。训练深度神经网络是复杂的，因为在训练过程中，每一层输入的分布都会随着前一层参数的变化而变化。这通过要求较低的学习率和谨慎的参数初始化来减慢训练速度，并使训练具有饱和非线性的模型变得非常困难。这种现象称为内部协变量移位，并通过BN层输入来解决问题。

论文作者是Google的研究人员，他们将这一现象总结为内部协变量移位 Internal Covariate Shift，简称 ICS。

通俗一点讲：网络深度越深，训练起来越困难，收敛越慢。

其实，深度学习的本质就是学习数据的分布规律，拟合出一个函数，可想训练数据和测试数据若分布相同，此时的泛化能力较强（对新鲜样本的适应能力强）。可随着网络的逐渐加深，就不再难么简单了。每一层输入的分布都会随着前一层参数的变化而变化*。这样一层又一层的变化，就会导致高层的数据变化剧烈，为了适应底层数据参数，就会对学习率等进行小心翼翼的设计，收敛速度将变慢。

这样就理解了，每一层网络参数的分布发生变化，网络每次迭代都会学习适应不同分布，收敛将变慢。

BN层是通过如下方式实现的：

1.输入数据集合B，两个可训练参数γ和β。
2.计算B的均值和方差
3.进行零均值归一化（归一化到0-1之间），这里的经过处理的数据符合标准正态分布，即均值为0，标准差为1。
4.乘以相应的系数进行调整
归一化的目的：将数据规整到统一区间，减少数据的发散程度，降低网络的学习难度。BN的精髓在于归一之后，使用作为还原参数，在一定程度上保留原数据的分布。

讲直白一点，就是为了让数据分布更均匀，好计算。

关于这部分详细的资料，大家可以在最后的参考学习链接中看一看，重点理解一下如何进行的计算。

1.2 High Resolution Classifier（高分辨率分类器）

YOLOV1中使用的是224×224的GooleNet进行的训练，而进行预测时是采用的448×448，这样分辨率会受到影响。在YOLOV2中，在采用224x224 图像进行分类模型预训练后，再采用448x448的高分辨率样本对分类模型进行微调10个epoch，使网络特征逐渐适应 448x448的分辨率。

这里是好理解的，训练用一个分辨率，推理再用另外一个不同的分辨率是行不通，微调解决了这一问题。

这样的高分辨率分类网络使其的mAP增加了近4%。

1.3 Convolutional With Anchor Boxes（锚框）

在YOLOV1中，最终在图像中画出的框叫bounding box(BBOX)，它是经过一系列卷积操作后，经过全连接层，提取了每个grid cell中的10维度的信息来完成的。这样想一下，每个grid cell中的两个BBOX，都是随机的，无序的，可能会出现在图像的任何地方。

如何事先先准备好一些框，完整包围起图像，是不是更好呢，YOLOV2就是这样做的。

在YOLOV2中，去除了全连接层，使用了锚框思想（Anchor）（这字念Mao！）。

将网络输入缩小至操作416×416的图像，而不是原来448×448。这样做的目的是使得最后的特征图是个奇数。
在YOLOV2中最后的特征图可以看出，特征图是13×13的大小。这就意味着，最中间的grid cell会是一个单独的格子，他就会成为图的中心。如果一个大一点的物体占据整个图像，那么正好就可以用中心的grid cell预测，就像下面那样，作者是多少有点设计师在身上的。

同时，由YOLOV1原来的一个grid cell产生两个BBOX变换成一个grid cell中包含5个BBOX，而且每个包含25个维度的信息，分别为中心点坐标x,y，宽w，高h，20个类别。不过现在不能再叫bounding box了，应该叫Anchor box。

13×13×5=845，这样就有了845个Anchor，这样可比YOLOV1（98个）能检测的对象多多了。

那么Anchor是如何设计的呢？这里作者在使用时，遇到了两个问题，并通过一些方法进行了解决。

第一个问题是：Anchor的尺寸问题。

网络是可以学习适当地调整框的大小和个数的，但如果为网络提前选好更好的框，可以使网络更容易学习预测，并完成检测。与人工选择Anchor不同，作者用的是K-means方法。

作者在 VOC和COCO数据集上通过Ground Truth进行聚类统计（采用K-means算法），实验发现当Anchor的尺寸数量k=5时，可以很好的平衡召回率和模型的复杂程度。而且从图中可以看出，瘦高的框比矮胖的框多一些，这可能跟数据集中的物体的形状有关系呢。

k-means方法一般使用的欧几里得距离两个点之间的坐标来进行确定质心，但这样会产生大一点的误差，其实更在意的是IOU。也就是真实框和标记框的交并比面积。因此采用了下方的定义方法来作为距离的度量。

想了解聚类的，可以看这个动画：https://www.zhihu.com/zvideo/1375592290656768001

聚类的目的是使Anchor和groud truth的有更大的IOU值，因此尺寸是不需要考虑的。

IOU越大，1-IOU就越小，这样就保证距离越小，IOU越大。

具体的操作可以参考这篇文章：https://blog.csdn.net/m0_50617544/article/details/120639193

最终作者通过K-means和手动选择的方法进行了实验对比，发现聚类给出的结果完全胜出于自己选。
这样肯定就用聚类了。下图就可以发现，聚类k=5时的效果能达到Anchor=9时的效果。

YOLOV2最终选择了聚类的五种尺寸的anchor box。

作者在这时又遇到了第二个问题：在迭代的早期，模型不稳定。

这种不稳定性主要是因为预测Anchor的坐标。之前的算法（含YOLO）产生的Anchor（这里同一叫这个名字吧），都是随机的，意思是它可以出现在图像的任何一个位置，这样不由它“所在”的grid cell控制了，就会需要更长的时间来确定它的位置。

因此，首先需要约束Anchor的范围，不能让Anchor随意的大或者小，在YOLOV1中的BBOX是随意生成的。
YOLOV2中将边框的结果约束在特定的网格中，每个特征图中的grid cell生成5个Anchor box。

具体的图示如下：

bx, by, bw, bh 分别为预测框的中心点坐标，宽高
σ 是sigmoid函数（约束在了0-1之间）
cx,cy是当前网格左上角到图像左上角的距离。图中明显就是**（1，1）**
pw和ph是Anchor的宽和高

现在剩下了需要学习的参数tx，ty，tw, th, to 也就是需要通过这五个参数，来调整Anchor的位置。

举个栗子，看的更清楚些。

使用这种方法确定的Anchor的尺寸比起之前直接使用Anchor的版本提高了近5%的MAP。

这样看，使用Anchor思想，每个Grid cell产生的五个不同尺寸的Anchor仅仅都在自己所属的网格中进行中心坐标和尺寸的微调，而全部的Anchor能够覆盖整个图像，这样就更合理了。

1.4 Fine-Grained Features（细粒度特征融合）

图像中对象有大有小，输⼊图像经过多层网络提取特征，最后输出的特征图中，较小的对象可能特征已经不明显甚至被忽略掉了。

如何解决这一问题呢？那就是好好利用不同分辨率的信息。

就像拼积木一样，将某个过程的特征图进行拆分，拆分成四个小的和一个长的，
长的和小的再进行拼接，这样就包含了更多小目标的特征信息

YOLO2引入⼀种称为passthrough层的方法在特征图中保留⼀些细节信息。具体来说，就是在最后⼀个pooling之前，特征图的大小是26x26x512，将其1拆4，直接传递（passthrough）到pooling后（并且⼜经过⼀组卷积）的特征图，两者叠加到⼀起作为输出的特征图。

具体的拆分方法是这样的：

作者是多少有点积木在身上的。

1.5 Multi-Scale Training（多尺度训练）

本方法主要为了应对处理不同分辨率图像。

YOLOV1是使用448×448的图像进行输入的，YOLOV2由于使用了Anchor，分辨率使用了416×416。同时，由于没有了全连接层的限制，这个模型就可以使用不同分辨率了，这样来处理不同分辨率的输入更加灵活。

因为整个网络下采样倍数是32，采用了{320,352,…,608}等10种输⼊图像的尺寸，这些尺寸的输⼊图像对应输出的特征图宽和高是{10,11,…19}。训练时每10个batch就随机更换⼀种尺寸 ，使网络能够适应各种大小的对象检测。

因此，最小的选项是320 × 320，最大的选项是608 × 608。通过将网络调整到那个维度，然后继续训练。

至此，YOLOV2的Better部分也就结束了。

2. Faster

作为目标检测算法，准确是很关键的，但同时也希望它是快速的。现实中的大多数检测应用，如机器人或自动驾驶汽车，都依赖于低延迟预测。工业中的应用也肯定是如此，机器的效率肯定要比人的效率高才有价值。
因此YOLOV2的设计也着重考虑了这个问题。

2.1 Darknet-19

YOLOV2提出了Darknet-19（有19个卷积层和5个MaxPooling层）网络结构作为特征提取网络。DarkNet-19比VGG-16小⼀些，精度不弱于VGG-16，但浮点运算量减少到约1/5，以保证更快的运算速度。下图是Darknet-19的网络结构图。

Darknet-19的19是，有19个卷积层和5个maxpooling层。

这部分工作的预备知识肯定是分类网络了。VGG等，这个还得以后补上呀-。-。

总之，这部分理解的重点就是提出了一个新的网络结构，使得运算速度更快。

可以往上看看结构总图，就会更清楚，这个只是分类网络。

2.2 Training for classification（训练分类网络）

作者在标准ImageNet1000类分类数据集上训练网络160个epoch，使用随机梯度下降，起始学习率为0.1，多项式速率衰减为4，权重衰减为0.0005，动量为0.9，使用Darknet神经网络框架。

同时使用了标准的数据增强技巧，包括随机裁剪、旋转、色调、饱和度和曝光移位，这个技巧，在以后肯定用得着，先标记一下。

在对224 × 224图像进行初始训练后，将网络调整为更大的尺寸448。对于这种微调，使用上述参数进行训练，但只训练10个epoch，并以10-3的学习率开始。在这个更高的分辨率下，网络达到了76.5%的top-1精度和93.3%的top-5精度。

2.3 Training for detection（为推理所作工作）

这里放这张图就很清楚了。为推理所做的工作整体流程就是这样的。到最后的K=5，C=20，也就是每个grid cell拥有5个Anchor，每个Anchor具有25的维度的信息，包含了坐标值、宽、高、置信度。

为了清楚再放一下这张图吧。

同样的，训练网络160个epoch，起始学习率为10−3，在60和90个epoch时除以10。我们使用的权重衰减为0.0005，动量为0.9。

3. Stronger

这部分工作旨在能够分辨更多类别的物体，因为VOC数据集中只有20个类别，现实中肯定也不只有这20个类别。那么怎么样去让网络升级，识别更多类别的物体呢，肯定是要训练有更多类别的数据集才行。

于是作者使用了ImageNet数据集开展此工作，但是开展工作时候面临了新的问题，类别需要互斥。

正如作者举例，狗是一个类别，狗下面还有不同品种的狗，京巴啊，泰迪啊，腊肠啊，金毛啊等等。

之前做的分类研究时，都是狗、猫、车等这种互斥的对象，要想再往下分一层，就不容易喽。

于是想出了如下办法：

3.1 Hierarchical classification（层次分类）

既然要分类，那就多分一次呗，作者使用WordTree的概念组合ImageNet和COCO的标签。

先分大类，再分小类。

3.2 Joint classification and detection（联合分类预测）

作者想训练一个超大规模的检测器，所以使用COCO检测数据集和完整ImageNet发布的前9000个类创建了组合数据集。

这也就是为啥YOLOV2叫YOLO9000了。

当网络看到检测图像时，正常地反向传播损失。对于分类损失，只反向传播标签对应级别或以上的损失。

这也好理解，有标记框的就可以记录下位置的损失信息，没有标记框的就记录类别损失。

通过这种联合训练，YOLO9000学习使用COCO中的检测数据在图像中查找对象，并学习使用ImageNet中的数据对各种对象进行分类。

这部分实验最终的结果并不是对所有类别都准确，毕竟9000多种，但是打开了一个新的思路。

4.1 损失函数

W=13，H=13，A=5，这好理解，13×13×5嘛。

第一部分：用来预测背景；这里计算所有Anchors与Ground Truth(简称GT吧)之间的IOU值，取最大的记作MaxIOU（非0即1），如果小于阈值(Thresh)（原文0.6），那么就把这个框作为预测背景的Anchor。我这里理解的是最小于并接近0.6的第一个框。

第二部分：计算前12800次迭代的位置误差。让模型更快学会Anchor的位置和形状。

第三部分：这一部分计算的是和GT匹配的预测框Anchor各部分的损失总和。

坐标损失：确定GT中心点落在哪个grid cell上，计算cell的5个Anchor与GT的IOU，不考虑坐标，只考虑形状，将Anchor和GT的中心重合，然后计算出对应的IOU值，IOU值最大的Anchor与ground truth匹配，对应的预测框来预测。

置信度损失：在计算obj置信度时， 增加了一项权重系数。当其为1时，损失是预测框和GT的真实IOU值(darknet中采用了这种实现方式)。而对于没有和ground truth匹配的先验框，除去那些Max_IOU低于阈值的，其它就全部忽略。

分类损失： 同YOLOV1。

YOLOV2的笔记记到这里告一段落，这里只介绍了思想，没有放代码。

YOLOV3应该会对代码详细解读一下，毕竟看懂代码才是王道！复现，创新才能指日可待！

自己不是计算机专业的，看这论文才9页，但是蕴含的信息非常多，不亏是顶刊论文。很多东西作者并没有放具体那内容，都需要查阅很多资料理解。

深度学习，，，真深啊。

参考：

1. http://t.csdn.cn/FoDiB
2. https://zhuanlan.zhihu.com/p/93643523
3. https://zhuanlan.zhihu.com/p/34879333
4. https://blog.csdn.net/qq_38375203/article/details/125502438
5. https://blog.csdn.net/linolzhang/article/details/59728206
6. https://cloud.tencent.com/developer/article/1547377