YOLOV2学习与总结

前言：《YOLOV1学习与总结》上篇文章学习了yolov1，还是很有收获的，知道了yolov1为什么召回率低，精度为什么低等等问题的原因。yolov2可以说是解决了精度和速度等yolov1中一些显而易见的问题。本文和大家一起解读大神的论文。

---

目录

1. 精度提升

1.1 BN（Batch Normalization）

1.2 高分辨率训练

1.3 引入Anchor机制

1.4 尺度聚类 

 1.5 位置预测

 1.6 多尺度训练

2. 速度提升

2.1 提出基于darknet19的基础网络提取特征

---

1. 精度提升

1.1 BN（Batch Normalization）

BN操作有如下优点，作者将BN操作添加到每一个卷积层中，在卷积操作前先进性BN操作，这个的操作使得YOLO的mAP提升了2%,并且还能防止训练的过拟合。

1.2 高分辨率训练

提高输入的分辨率固然可以提升检测的精度，但同时速度也下降了。

1.3 引入Anchor机制

YOLO中，所有的目标检测边界框（bounding box）都是在特征提取网络后使用全连层直接预测坐标，faster R-CNN是RPN网络来选取anchor boxes，YOLOV2中我们使用anchor boxes来替代全连层。

在1.2的高分辨率设置中，我们设置了网络输入图像的分辨率为448*448，为了获取奇数位置特征图，我们将输入了分辨率改为416*416，为什么416*416是这个数，因为我们通过特征提取网络中的池化层数目计算，从输入到输出额降采样数为32，即输入必须是32的整数倍，这是输出的特征图大小为13*13。

通过anchor机制，我们需要预测一千个以上的box，而YOLO中只需要预测98个box。这里怎么算的呢？上篇文章《YOLOV1学习与总结》中我们学习了每一个Grid cell需要预测两个box，将整张图像分为7*7的网格后，总的box就是7*7*2的box。通过anchor机制将召回率从81%提升到了88%,可以说是巨大的飞跃。

1.4 尺度聚类 

当我们要使用anchor机制时，必然面临两个问题，anchor怎么选？选几个？人工选择，这样就增加了模型训练的工作量。虽然通过大量迭代次数训练，默认的anchor值也能适应任务的需要，但如果我们选择合适的anchor值，提升训练的效率和提高精度是肯定可以的。为了能自动计算Anchor，我们使用聚类算法K-means，通过对多个K值的测试，发现当K等于5时，在计算复杂度和召回率之间能够取得一个比较好的平衡。

在anchor数量确定时，通过聚类算法也测试了几个数值，发现当anchor值为9时其平均IOU值比anchor=5时高很多，so将anchor的数量设置为9。

 1.5 位置预测

作者首先说明了RPN网络预测的box不稳定的原因，在RPN网络中，预测框的中心坐标计算公式如下：

（x，y）为预测的box中心坐标，tx，ty为水平和垂直的偏移参数，wa和ha为anchor的框和高，（xa，ya）为anchor的中心坐标。这里的tx和ty没有范围限制，当tx=-1时，预测框的中心坐标就变成了负值。因此如果使用这种机制可能会导致模型不稳定，这就需要对偏移值tx，ty加以限制。

YOLOV2中，我们使用激活函数来对偏移值进行限制，是的偏移值限制在0到1之间，这样就能确保模型的稳定。YOLOV2的目标检测边界框计算方式如下：、

其中，为激活函数，，为grid cell相对整图像左上角坐标的偏移值，，为anchor框的宽和高，，为预测框的宽和高，，为预测框的中心坐标，各参数的图解如下图所示：

 1.6 多尺度训练

多尺度训练机制，在训练过程中，经过一定迭代次数后改变输入的尺寸，每经过10次迭代随机选择一个输入的尺寸进行训练，由于输入必须为32的倍数，因此输入的尺寸在（320,352,384...608）这些数中选择。低分辨率的输入精度虽差，但有更快的训练和推理速度，高分辨率的输入有更好的精度，这样的机制使得YOLOV2在精度和速度之间更好的权衡。

2. 速度提升

2.1 提出基于darknet19的基础网络提取特征

使用了大多数3*3卷积核操作提取特征，网络架构如下：

该网络相比与VGG16，一次推理操作的计算量仅为50.58亿次浮点型，而VGG16的计算量为300亿次浮点型。