yolov2原理到代码

yolov2较yolov1改进的地方

从输入图片角度：

• 用高分辨率图片对识别网络进行了微调
• 采用多尺度训练

从网络设计角度：

• 增加了Batchnorm层
• 设计了新的网络（Darknet19）
• 增加了细粒度分类

从损失函数角度：

• 采用anchors box
• 利用维度聚类得出anchors box的宽高和最佳个数（5个）
• 采用直接坐标预测法进行预测

对图片真实框的处理

• yolov1：计算出目标在 $S\ast S$ 网格中的位置，将该网格对应的B个bounding box 均设为有目标，且具体目标信息（包括置信度、box坐标、类别概率）均一致，不涉及到IOU的计算。
• yolov2：分别计算一张图片中每个目标在$S\ast S$ 网格中的位置，再计算目标与每个anchor box的IOU，选择IOU最大的anchor box，将该位置设置为有目标，其他位置均设置为无目标。若最大的IOU为零，则所有anchor box位置均为无目标。
  tips：其实不会出现完全没有交集，即IOU=0的情况。可根据计算iou的过程得出结论。

真实框与anchor box的IOU计算方法

由于anchor box提供的是宽和高，计算IOU时假定anchor box的中心与目标所在中心位置一致，因此计算IOU其实用不到目标中心坐标，只利用anchor box和真实框的宽和高就可算出。具体如下：

yolov2流程

• 对于输入图片image,设宽和高分别为 $(width,height)$，将true boxes的坐上坐标和右下坐标转化为中心坐标和宽高 $(x,y,w,h)$，再 $(x,y,w,h)/(width,height,with,height)$将true boxes归一化到 $(0,1)$ 区间内。

• 根据处理后的true boxes、anchors以及resize的图片大小，将true boxes转化为$(13?,13?,nu{m}_{anchors},5)$的形式，再输出一个$(13?,13?,nu{m}_{anchors},1)$的向量，表示某个anchors与其中一个true box最匹配，匹配位置记为1，其他位置记为0。具体：
  $x,y,w,h$乘上输出特征图大小（例如$13\ast 13$）对每个true box都做该处理，然后与anchor box进行匹配，计算出最匹配的anchor box，最终输出的$x,y$为$(x,y)\ast (13,13)-floor((x,y)\ast (13,13))$，输出的$w,h$为$log(((w,h)\ast (13,13))/anchors[bes{t}_{anchor}])$，最后一个是类别。

• 构建模型

• 构建损失函数
  损失函数计算：
  1）首先将网络出书输出转化为与true boxes相同的格式：
  网络输出为 $(13?,13?,nu{m}_{anchors},5+nu{m}_{classes})$，$5+nu{m}_{classes}$中的前两个分别为中心坐标$x,y$，接下来两个人分别为宽高$w,h$，再接下来一个是置信度，最后$nu{m}_{classes}$个为类别概率。
  将$x,y,confidence$分别用$sigmoid$函数激活，$w,h$取指数，类别概率用$softmax$函数激活。
  将$x,y$分别转化为相对于$13\ast 13$大小的图片的位置，范围还是$(0,1)$，将$w,h$分别转化为相对于anchor box与$13\ast 13$的相对位置
  对应代码段如下
  box_xy = (box_xy + conv_index) / conv_dims
  box_wh = box_wh * anchors_tensor / conv_dims
  2）将pred box与true box的坐标形式 $(x,y,w,h)$ 均转化为 $(x_1,y_1,x_2,y_2)$ 的形式，计算IOU，根据最大的IOU是否超过设定阈值，判断该anchor box是否有目标，再计算损失函数（损失函数用的true box是根据第二项计算的$(x,y,w,h)$算，用的pred box是根据下面的方式计算：
  直接对输出$(13?,13?,nu{m}_{anchors},5+nu{m}_{classes})$中 $5+numclasses$ 的前两个
  取sigmoid作为中心坐标，后两个直接作为宽高，将这个作为pred box，与true box对应位置相减计算定位损失，对于分类损失和置信度损失用的是第1）步计算出的置信度和类别概率）

• 预测时，输出的前四个为相对于anchors的$(x,y,w,h)$，先转化为相对于整张图片的$(x,y,w,h)$，再将其转化为$(x_1,y_1,x_2,y_2)$，计算得分，选择超过门限的anchors box，最后做非极大值抑制。
  乘以原始图片的$(width,height,width,height)$得出真实的坐标位置。