YOLO_V2的理论介绍（学习笔记）

注释：全文根据别人笔记学习，自己做的笔记【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）-CSDN博客

介绍

yolov2的全名叫做 yolo9000，最终能够检测的目标类别是9000。相比于v1有了更大的提升以及召回率

尝试

1.Batch Normalization

2.High Resolution Classifier

3.Convolution With Anchor Box

4.Dimension Clusters

5.Direct location prediction

6.Fine -Grained Features

7.Multi -Scale Training

1.Batch Normalization

• 提升了2%mAP
• 提供了正则化的效果
• 代替了全连接层的drop out（减轻过拟合），每一个卷积后全部加入BN，使得每一层卷积之后可以控制它朝收敛方向走。（后续但凡有卷积之后肯定有BN）
• BN已经成为网络必备

BN介绍（复习）

2.High Resolution Classifier

• 采用更高层的分类器
• 采用了训练时加入448*448的分辨率分类器
• 提升了4%mAP

解释

1.检测方法都使用在ImageNet上预先训练的分类器作为预训练模型

2.在AlexNet之前，大多数的网络输入图片分辨率是小于256*256

3.yolo_v1中预训练使用的分类数据集分辨率大小是224×224 ，使用YOLO模型做目标检测的时候又将输入变成448 × 448。这样后续改变尺寸，网络就要多重新学习一部分，会带来性能损失

4.v2直接在预训练中加入了448×448的尺寸，刚开始还是224*224，但在训练时最后10个epoch的时候进行448*448的微调。检测的时候也是448 × 448。

5.因为主干网络darknet19有经过5次下采样，一次w和h变为原来的一半，五次就是1/32.因此输入的图片需要可以被32整除，因此一般调整为416*416的输入

3.Convolution With Anchor Box

采用了基于anchor去预测目标

mAP降了，但召回率升了

（召回率表示得找全，mAP表示得找准。）

precision： 预测框中包含目标的比例。

recall： 真正目标被检测出来的比例。

解释

1.什么是anchor：

Anchor（先验框） 就是一组人为决定大小的边框，在训练时，以真实的边框位置相对于预设边框的偏移 来构建训练样本。就是先自己描出来大致的边框，然后训练偏移调整。

2.anchor box 和 v1的bounding box区别（）

• 在yolov1中，我们预测选择的bounding box大小都是人为设定的，根据经验得到的。一般就是长方形和正方形。
• 在fasterRcnn中，anchor大小固定。我们每个gridcell会有9个anchorbox来进行预测，anchor box规定有9种，三种scal（小尺寸、中尺寸、大尺寸），每一种scal有三种比例大小。
• 在yolov2中，也使用anchor box，但是anchor的大小是聚类得到的。系统会根据人为标注好的真实框，进行k-means聚类分k类，每一类都会有差不多的标注框大小比例。这样anchor可以根据实际选择框的比例，所以每个cell有k个anchorbox。根据实验k=5最佳。kmeans的距离=1-IOU（anchorbox，真实框）【相交越多越趋近于0，越少越趋近于1】

3.结构上的改进

• 删掉全连接层和最后一个pooling层，使得最后的卷积层可以有更高分辨率的特征。
• 使用Anchor Boxes
• 缩小网络操作的输入图像为416×416

Q：为什么是416*416，不是448*448？

因为输入大小是416*416的时候，经过一系列卷积操作，最终得到特征图是13*13。长和宽都是奇数，所以矩阵中心只有1个，而不是4个。

另外416可以被32整除

4.yolov1和v2对比

每个grid cell携带信息量

v1：每个grid cell有2个boundingbox，bound ingbox只包含5个信息：4位置参数+confidence（2个bound ingbox*5个信息）+20类

v2：每个grid cell有5个anchor box，每个anchorbox包含25个信息：分类20+4位置参数+confidence（5个信息+20个类）*5个anchor

效果对比

v1中二个boundingbox只预测一个物体

v2中每个anchorbox预测一个物体，一个gridcell有多个物体，每个anchor可以预测一个

4.Dimension Cluster

Q：当选择anchor时候，box的尺寸是人为定的，如果选的非常好，那么效果会更好。那么怎么选择好的box尺寸呢？

在训练集的边界框上运行K-means聚类训练bounding boxes，可以自动找到更好的boxes宽高维度。

我们设置先验Anchor Boxes的主要目的是为了使得预测框与真值的IOU更好，所以聚类分析时选用box与聚类中心box之间的IOU值作为距离指标

K-means算法步骤：

1.选择初始化的K个样本作为初始聚类中心

2.针对数据集中每个样本，计算它到K个聚类中心的距离，并将其分到距离最小的聚类中心所对应的类中

3.针对每个类别，重新计算它的聚类中心

4.重复上面的步骤2、3，直到达到某个终止条件（迭代次数、最小误差变化）

5.Direct location prediction

Q：大多数anchor不稳定的原因是来自于对边框中心点(x, y)位置的预测。

早期，我们预测边界框的方式是

               

但是因为和（anchor的偏移）的范围是没有限制的，所以anchorbox经过位置参数调整后，预测框可能跑到其他gridcell里面去了。

比如下面的橙色框，本应该预测自己这个gridcell的，但是跑到下角去了。下角的有它的anchor box来预测，用不到你。

解决办法：使用一个函数 logisitic activation（类似sigmoid）对偏移量和进行限制。

 这样使得anchorbox限制在自己的grid cell内进行预测。

6.Fine -Grained Features

把细粒度变更小，这个修改后的YOLO在13 × 13特征图上进行检测。虽然这对于大型对象来说已经足够了，但是对于较小的对象来说，更细粒度的特性可能会使得检测效果更好。

使得mAP提升了1%

7.Multi_Scale

不管输入什么尺度的输入图像，都可以做。多次迭代之后，输入图片大小可以变

Pass Through层

Q：为什么要有passtrough层？

为了检测小目标。

感受野：卷积之后特征图上一个点对应原图多大的区域。

所以，卷积层数越多，感受野就越大。最后一层的感受野很大，对应原图的区域大。这样就利于检测大目标，但是不利于检测小目标。

因此v2中为了检测小目标，用最后一层特征图检测大目标，用中间某一层的特征图检测小目标。（中间层的感受野肯定小一点，对应原图区域小一点）

那么就是挑选下面的26*26*512的那一层卷积的特征图，通过passtrough层来处理，为了用来检测小目标

把特征矩阵，分成4块，相同颜色的组成一个2*2的矩阵。

这样得到的效果是原来 4*4*1，变成了2*2*4的矩阵

宽高缩减一半，channel变为4倍

 passtrough层之后把原来的13*13*1024的和4个13*13*512的深度合并。

这样既能检测大目标（13*13*1024），又能检测小目标（4*13*13*512）

 

为网络简单地添加一个直通层（ passthrough layer），获取前层26×26分辨率特征。可以看到经过PassTrough层之后，把26*26的feature map，变成了13*13的。然后再与13*13*1024的特征图进行深度上的拼接。得到13*13*1280

yoloV2的主干网络

yolov2使用的是一个全新的架构: Darknet-19

最终模型，称为Darknet-19，有19个卷积层和5个maxpooling层，Darknet-19网络如下

输入是416*416（看第三条，要可以被32整除）

没有FC层（容易过拟合），所有层都是卷积

5次maxpoll降采样，一次尺寸变为一半。5次变为32分之一。输入的h和w变为h/32，w/32。所以根据416的输入，5次之后最终得到的特征图是13*13

卷积基本是3*3和1*1，节省很多参数。卷积不改变尺寸大小，用3*3代替v1中7*7得到相同感受野，但是会增加深度，所以用1*1的再降深度

在Darknet-19的基础上，去掉了最后一个卷积层，然后加上了3个3*3的卷积层。

最后一个1×1的卷积层，输出的数量是我们检测所需的参数，VOC数据集。5个boundingbox，分20类。每个bound ingbox参数量是（5+20），5个，所以每个gridcell输出（5+20）*5的参数量。

倒数第二个3X3卷积到最后一个3X3卷积层增加passthrough层。模型可以使用细粒度的特征。