单阶段（one-stage）:YOLO系列，从YOLO-V1到YOLO-V3发展过程及改进

深度学习经典的两种检测方式：

1.单阶段（one-stage）:YOLO系列

优点：速度非常快，适合做实时检测任务，将检测问题转换成回归问题，一个CNN就可以

缺点：效果不太好

2.双阶段（two-stage）:Faster-rcnn Mask-Rcnn系列

相比于单阶段，它加了预选框（Proposal）

 

 

优点：速度较慢

缺点：效果较好

下面就详细说明一下YOLO-V1到YOLO-V3的网络框架及改进

YOLO-V1:

网络架构：先验框有2个

 

优点：快速，简单

缺点：1.每个cell只预测一个类别，如果重叠就无法检测到

          2.小物体检测效果一般，因为只有两种框，长宽比可选但是单一，所以优先检测大物体，

YOLO-V2：

YOLO-V2基于YOLO-V1的改进:

1. V2版本舍弃Dropout（在全连接层用到Dropout，防止过拟合），卷积后全部加入Batch Normalization（网络的每一层的输入都做了归一化，收敛相对更容易）经过Batch Normalization处理后的网络会提升2%的mAP  

2. YOLO-V2-更大的分辨率，V1训练时用的是224*224，测试时使用448*448，可能导致模型不泛化，V2训练时额外又进行了10次448*448的微调，使用高分辨率分类器后，YOLO-v2的mAP提升了约4%

3. YOLO-V2-网络结构（加入DarkNet，舍弃全连接层）

        加入DarkNet（没有全连接层，因为全连接层容易过拟合且训练慢，全是卷积层做的，DarkNet19就是19层卷积层），实际输入为416*416，没有FC层，5次降采样（5层池化），(13*13)，由下图可知，没有全连接层，并且1*1卷积节省了很多参数

4.  YOLO-V2-聚类提取先验框：

通过引入anchor boxes，使得预测的box数量更多(13*13*n)，跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定，直白来讲就是将一堆数据集中的图像，利用K-means的方法，分成相近（高度和宽度相近）的k=5(根据coco数据集实验结果所得)类。且K-means聚类中的距离:d(boa, centroids) = 1-IOU(box , centroids)[注意：选择的不是欧式距离]

结果：mAP没有提高，recall提高了

 

5. YOLO-V2-Directed Location Prediction  （定向定位预测，相对位置预测）

V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量

6.  YOLO-V2-Fine-Grained Features

 最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征,将前面的感受野与最后一层做特征融合，这样特征提取更多

           

           

    ##########简单补充一下感受野######

         感受野（越大的感受野越能考虑全局）

         概述来说就是特征图上的点能看到原始图像多大区域

7.YOLO-V2-Multi-Scale  （多尺度） 

因为检测过程中图片大小有可能变化，所以在卷积层可以调整图片大小

 

 综上所述，YOLO-V2比YOLO-V1  更快，更强，mAP明显提升

YOLO-V3：

最大的改进就是网络结构，使其更适合小目标检测，为了能检测到不同大小的物体，设计了3个scale,每种3个规格，一共9种,这些scale大小不一，大的预测大的，中等大小预测中等大小，小的预测小的 

13×13的感受野最大，可预测大物体 

3种scale互相再做特征融合（采用上采样的方式），而不是不同特征图分别利用

 

softmax改进，预测多标签任务 （不仅是狗，还是哺乳动物），没有池化和全连接层，全部卷积。

下采样通过stride为2实现