YoloV2学习小总结

前言

首先，yolov2比yolov1改进的地方有许多，使得yolov2在性能指标上有很大的改进。

1. 速度方面更快
2. 召回率更高

下图是yolov2采用各种改进方法的mAP指标。

相比于yolov1的改进

yolov1

1. Better

1. Batch Normalization

Batch Normalization可以使模型在收敛方面速度更快，因为Batch Normalization有利于正则化的作用，所以可以不需要再添加任何正则化的操作。在yolov2中Batch Normalization在所有卷积层所添加，同时在mAP指标上提升了2%。

2. High Resolution Classifier

yolov1使用的分辨器是224 x 244的，这对于之后检测448 x 488图片的效果并不是很好，所以yolov2使用了更高的分辨率的预训练模型，在mAp上提升了4%。

3. Convolutional With Anchor Boxes

yolov1是在特征层中直接使用全连接层来预测边界框的位置。在RPN中，由于预测层是卷积的，RPN预测特征图中每个位置的这些偏移量，并使网络更容易学习。yolov2就借鉴了这一点。

在yolov2中，我们把全连接移除了，并使用了anchor box来预测边界框。首先yolov2移除了一个池化层，使得网络的输出有更高的分辨率，同时将448 x 488 的输入图片变成了 416 x 416的输入图片，因为这样做网络的输出是由14 x 14 变成了 13 x 13，在预测大物体时，大物体中心更容易落在中心的网络，而不是中心四个网络的附近。

在使用了anchor boxes后虽然mAp由69.5下降到了69.2，但是Recall由81%到88%。

4. Dimension Clusters

使用更好的anchor boxes可以使网络更加容易学习，但是现在的anchor boxes一般都是手工给出的。于是，yolov2使用k-means算法将训练集中的真实框进行聚类，最后选择了5种anchor box。yolov2使用的k-means算法不是使用传统的欧式距离，是因为欧式距离对于大的框来说误差更大，于是利用IOU作为指标进行聚类，公式如下：
$d(box,centroid)=1-IOU(box,centroid)$

同时yolov2沿用了yolov1的做法，每个网格负责预测物体的中心，而且每个网络用了5种通过聚类得到的anchor box，训练阶段时yolov2就会使用与anchor box与真实框IOU最大的框来进行调整。

下图左边是k-means中平均IOU随K的值变化，右图是k-means算法在COCO数据集和VOC2007数据集得到的五个anchor boxes。

5. Direct location prediction

yolov2预测坐标时，使用如下公式：
$b_x=\sigma (t_x)+c_x$ …(1)
$b_y=\sigma (t_y)+c_y$ …(2)
$b_w=p_w{e}^{t_w}$ …(3)
$b_h=p_h{e}^{t_h}$ …(4)

其中：
$t_x,t_y,t_w,t_y$ 为预测的中心点和宽高。
$c_x,c_y$ 为网格的左上角坐标。
$p_w,p_h$ 为其中一个anchor box的宽高。
$\sigma ()$代表经过sigmoid函数变换

第一、第二个公式经过sigmoid函数变换，将预测值缩放到[0, 1]，将偏移量相对于网格，使得网络只能在网格内学习，就不用再网络外学习，使得yolov2对于yolov1学习更快。而加上 $c_x,c_y$ 就可以得到真正的边界框的坐标。

第三、第四个公式，anchor box经过指数变换的微调就可以得到边界框的宽高。

经过anchor boxes的kmeans算法后，yolov2的Recall提升了5%。

6. Fine-Grained Features

yolov2是在13 x 13 的特征图上进行检测，这对于大物体是足够的，但是对于小物体可能还需要更细小的划分，所以yolov2提出了一种passthrough层来利用更精细的特征图，yolov2会在26 x 26的特征图上来对之后的特征层进行融合。passthrough层与ResNet网络的shortcut类似，以前面更高分辨率的特征图为输入，然后将其连接到后面的低分辨率特征图上。对于26 × 26 × 512 的特征图，经passthrough层处理之后就变成了13 × 13 × 2048的新特征图。对于26 × 26 × 512的特征图，经passthrough层处理之后就变成了13 × 13 × 2048。这样做之后yolov2的性能有了2%的提升。

7. Multi-Scale Training

yolov2采用了多尺度训练以适应不同尺度大小的图片。过程就是每隔一定的轮次将图片大小改变，因为yolov2的下采样因子是32，所以需要32倍数大小的图片来进行训练。各个尺度大小模型的性能如下：

2. Faster

1. Darknet-19

Darknet-19的网络结构如下：

画红色框的部分是在目标检测中使用网络结构。

代码演示

来自下面这位大神
网址：https://www.maskaravivek.com/post/yolov2/

VOC2007数据集

链接：https://pan.baidu.com/s/1mhk3OItyGt5CuRcX8Nj3cw
提取码：a697