CV——day69：YOLO9000: Better, Faster, Stronger（已完结）
YOLO9000: Better, Faster, Stronger
- YOLO9000:Better, Faster, Stronger
- 1. Introduction
- 2. Better
-
- Batch Normalization.
- High Resolution Classifier.
- Convolutional With Anchor Boxes.
- Dimension Clusters.
- Direct location prediction.
- Fine-Grained Features.
- Multi-Scale Training.
- 3. Faster
- 4. Stronger
- 5. Conclusion
YOLO9000:Better, Faster, Stronger
年后准备试试YOLOv5或者低一些的单阶段目标检测模型，所以时不时看看YOLO的各系列模型，是为了了解这一类模型，也是最终目标做一个各系列的简单对比，fighting！
1. Introduction
YOLO9000可以实时检测各种各样的对象类别，是一种目标检测和分类联合训练的方法。
它是一个可以检测超过9000种不同对象类别的实时对象检测器。首先，我们改进了基础YOLO检测系统，以产生YOLOv2，一种最先进的实时检测器。然后我们使用我们的数据集组合方法和联合训练算法在来自ImageNet的9000多个类和来自COCO的检测数据上训练模型。
- 我们的所有代码和预训练模型都可以在线获得：http://pjreddie.com/yolo9000/
2. Better
我们简化了网络，然后使表示更容易学习。我们汇集了过去工作中的各种想法和我们自己的新概念，以提高YOLO的性能。结果总结见表2。
Batch Normalization.
批量归一化导致收敛性的显著改善，同时消除了对其他形式正则化的需要[7]。通过在YOLO中的所有卷积层上添加批量归一化，我们在mAP上获得了超过2%的改进。
High Resolution Classifier.
对于YOLOv2，我们首先在ImageNet上以全448×448分辨率微调分类网络10个历元。这为网络提供了时间来调整其滤波器，以便在较高分辨率输入下更好地工作。然后，我们在检测时微调所得到的网络。这种高分辨率分类网络使我们的mAP增加了近4%。
Convolutional With Anchor Boxes.
YOLO直接使用卷积特征提取器顶部的全连接层来预测边界框的坐标。Faster R-CNN不是直接预测坐标，而是使用手工挑选的先验预测边界框，用RPN预测偏移量而不是坐标简化了问题，使网络更容易学习。
我们从YOLO中移除全连接层，并使用锚框来预测边界框：
- 我们消除一个池化层以使网络的卷积层的输出具有更高的分辨率。
- 我们还缩小了网络，使其可以处理416个输入图像，而不是448×448；我们这样做是因为我们希望在我们的特征图中有奇数个位置，这样就有一个中心单元，而不是四个位置来预测。
YOLO只能预测每张图像98个盒子，但对于锚盒子，我们的模型预测超过1000个。使用锚框，对比YOLO，即使mAP降低（69.5–>69.2），**召回率的增加（81%–>88%）**意味着我们的模型还有更大的改进空间。
Dimension Clusters.
我们遇到两个问题与锚盒时，使用他们与YOLO。第一个是框尺寸是手工选择的。网络可以学习适当地调整盒子，但是如果我们为网络选择更好的先验来开始，我们可以使网络更容易学习预测好的检测。
我们在训练集边界框上运行k-均值聚类，以自动找到良好的先验，而不是手动选择先验。
-
对VOC和COCO的框维度进行聚类
距离度量：d(box, centroid)=1− IOU(box, centroid)
Direct location prediction.
在YOLO中使用锚盒时，我们遇到了第二个问题：模型不稳定性，尤其是在早期迭代期间.
大多数不稳定性来自于对盒子的（x，y）位置的预测。在RPN中，网络预测值tx和ty，并且（x，y）中心坐标被计算为：
例如，tx =1的预测会将框向右移动锚框的宽度，tx = -1的预测会将框向左移动锚框的宽度。
网络预测输出特征地图中每个单元处的5个边界框。网络预测每个边界框的5个坐标tx、ty、tw、th和to。如果单元从图像的左上角偏移（cx，cy）并且边界框先验具有宽度和高度pw，ph，则预测对应于：
使用维度聚类和直接预测边界框中心位置可以使YOLO比使用锚框的版本提高近5%。
我们预测盒子的宽度和高度作为离聚类质心的偏移量。我们使用sigmoid函数来预测框的中心坐标相对于滤波器应用的位置。
Fine-Grained Features.
这种修改的YOLO预测在13 × 13特征图上的检测。虽然这对于大对象来说已经足够了，但是对于定位较小的对象来说，更细粒度的特征可能会使其受益。更快的R-CNN和SSD都在网络中的各种特征地图上运行他们的提案网络，以获得一系列的分辨率。我们采取了不同的方法，简单地添加一个穿透层，以26 × 26分辨率从早期层中提取特征。
Multi-Scale Training.
原始的YOLO使用448 × 448的输入分辨率。增加锚盒后，我们将分辨率更改为416×416。然而，由于我们的模型只使用卷积层和池层，因此它可以动态调整大小。我们希望YOLOv2能够在不同大小的图像上运行，因此我们将其训练到模型中。
关于YOLOv2与VOC 2007的其他框架的比较，请参见表3。
图四
3. Faster
我们希望检测准确，但我们也希望它是快速的。我们提出了一个新的分类模型作为YOLOv2的基础。我们的模型建立在以前的网络设计工作以及该领域的常识基础上。VGG模型相似，我们大多使用3 × 3滤波器，并在每个合并步骤后将通道数量加倍。在对网络中网络（NIN）的研究之后，我们使用全局平均池进行预测，并使用1 × 1滤波器在3 × 3卷积之间压缩特征表示。我们使用批量归一化来稳定训练、加速收敛并正则化模型。
我们的最终模型称为Darknet-19，有19个卷积层和5个最大池层。完整描述见表6。
Darknet-19只需要55.8亿次操作就可以处理图像，但在ImageNet上却达到了72.9%的前1准确率和91.2%的前5准确率。
4. Stronger
我们提出了一种在分类和检测数据上联合训练的机制。我们的方法使用标记用于检测的图像来学习检测特定的信息，如边界框坐标预测和对象性以及如何对常见对象进行分类。它使用只有类别标签的图像来扩展它可以检测的类别数量。
5. Conclusion
最后，YOLO9000是一个通过联合优化检测和分类来检测9000多个对象类别的实时框架。我们使用WordTree联合收割机来自不同来源的数据，并使用联合优化技术在ImageNet和COCO上同时进行训练。YOLO9000是缩小检测和分类之间数据集大小差距的有力一步