目标检测：yolov1、yolov2、yolov3的对比理解

1.yolo

YOLO: You Only Look Once。在2015年首次被提出，在2017年CVPR上，Joseph Redmon 和Ali Farhadi 又提出了YOLOv2，在这之后，又提出了YOLOv3

• yolo系列是One-stage 的目标检测
• 官网地址：https://pjreddie.com/darknet/yolo/

2.yolov1

论文地址：You only look once unified real-time object detection

对于实现直接回归功能的CNN并不需要复杂的设计过程，它是直接用一整张图进行训练模型，能够更好的区分目标和背景区域。

• 同时预测多个Box位置和类别
• 端到端的目标检测和识别
• 速度更快

核心思想

• 图像被分成SxS个格子
• 包含ground truth物体中心的格子负责预测相应的物体
  
• 每个格子预测B（超参值，默认为2）个检测框，以及其置信度（包含物体概率），以及C个类别概率
• 每个边界框有5个预测值：x，y，w，h，confidence，（x，y）代表预测边界框的中心点坐标，w，h是边界框的宽度和高度，confidence是预测边界框和真实边界框的IOU。
• 类别对应当前的格子
• 预测的向量长度：5*B+C
• 如果一个图划分为SxS个格子，其最终划分的向量长度是（5*B+C）xSxS
• bbox信息（x, y, w, h）为物体的中心位置相对格子位置的偏移及宽度和高度，均被归一化
• 置信度confidence反映是否包含物体以及包含物体情况下位置的准确性，定义为：
  
  其中Pr(Object)∈{0,1}
  
  
  网络结构分析：
• FC输出的向量长度为：SxSx(Bx5+C) = 7x7x(2x5+20)
• 网络使用小卷积，即：1x1和3x3（GoogLeNet）
• 网络比VGG16快，但准确率稍差

损失函数：

• Loss函数：均方和误差
• 坐标误差、IOU误差和分类误差
• 权重考量
  

网络训练：

• 预训练：ImageNet 1000类数据预训练
• 使用预训练参数（前20个卷积层）来初始化Yolo,并训练VOC20
• 将输入图像分辨率从224x224 调整到448x448
• 训练时B个bbox的ground truth设置相同

缺点：

• 输入图像分割成S x S, S取7有点粗糙, 导致后续边框回归不太准确
• 每一个格子只预测一种物体, 不能预测一个格子有多种物体的情况，对小目标物体预测效果不好
• 检测时输入尺寸固定

3.yolov2/yolo9000

论文地址：YOLO9000: Better, Faster, Stronger

• 引入了anchor box 的思想
• 输出层：用卷积层替代了yolo v1 的全连接层
• 识别种类、精度、速度、定位准确性都有很大提高

相比yolo v1 的改进：

1.Batch Normalization：

• v1中大量用了BN（Batch Normalization）,同时在定位层dropout
• v2中取消了dropout，均采用了BN归一化处理，使模型更稳定收敛更快

2.高分辨率分类器：

• v1中使用224 x 224预训练，448 x 448用于网络监测
• v2中以448 x 448的分辨率微调最初的分类网络

3.Anchor Boxes：

• 预测bbox的偏移，使用卷积代替FC

• 输入大小为：416 x 416

• max pooling 下采样（32倍下采样，输出得到13x13特征图）

• 预测超过1000个

• mAP降低，recall显著提高

  使用 Anchor Boxes 来预测 Bounding Boxes。作者去掉了网络中一个池化层，这让卷积层的输出能有更高的分辨率。收缩网络让其运行在 416416 而不是 448448。由于图片中的物体都倾向于出现在图片的中心位置，特别是那种比较大的物体，所以有一个单独位于物体中心的位置用于预测这些物体。YOLO 的卷积层采用 32 这个值来下采样图片，所以通过选择 416416 用作输入尺寸最终能输出一个 1313 的特征图。 使用 Anchor Box 会让精确度稍微下降，但用了它能让 YOLO 能预测出大于一千个框，同时 recall 达到88%，mAP 达到 69.2%。

4.细粒度特征：

• 添加pass through layer， 把浅层特征图（26x26）连接到深层特征图
• Resnet中的identity mapping
• 输入大小为：416 x 416
• 把26x26x512的特征图叠加成13x13x2048的特征图，与深层特征图相连接，增加细粒度特征
• 性能获得1%的提升

5.多尺度训练：

• 每隔几次迭代后就会微调网络的输入尺寸
• 输入图像尺寸：320,352，… ，608
• 尺度的变化

yolov2网络结构：

Darknet-19:

• 主要使用3 x 3卷积
• pooling之后channel数增加
• global average pooling
• 用1 x 1卷积压缩特征
• batch normalization

每个box包含4个坐标值，1个置信度和classes个条件类别概率：B x (5+C)，而yolov1 为（5 x B + C）

yolo9000:

在yolov2的基础上提出的一种可以检测超过9000个类别的模型，其主要贡献点在于提出了一种分类和检测的联合训练策略，总体mAP值为19.7%。
yolo 9000 的网络结构允许实时地检测超过9000种物体分类，这归功于它能同时优化检测与分类功能。使用 WordTree 来混合来自不同的资源的训练数据，并使用联合优化技术同时在 ImageNet 和 COCO 数据集上进行训练，YOLO9000 进一步缩小了监测数据集与识别数据集之间的大小代沟。

4.yolov3

论文地址：YOLOv3: An Incremental Improvement
相关代码：https://github.com/pjreddie/darknet

相比之前网络：

• 更好的主干网络（类Resnet），精度更好
• 多尺度预测（类FPN）：聚类得到Bbox的先验，选择9个簇以及3个尺度，将这9个簇均匀的分布在这3个尺度上
• 更好的分类器（binary cross-entropy loss）:Softmax 不适用于多标签分类，Softmax可被独立的多个logistic分类器代替，且准确率不会下降
  

5.总结

yolo系列网络优点：

• 快速，框架搭建简单
• 背景误检率低
• 通用性强

缺点（与RCNN系列物体检测方法相比）：

• 识别物体位置精度准确性差
• 召回率低

Reference：
https://blog.csdn.net/hitzijiyingcai/article/details/87862233
https://blog.csdn.net/guleileo/article/details/80581858