YOLOv2与YOLOv3学习笔记

部分行间公式由于未知问题无法渲染，公式完整版请移步个人博客

基本思路

YOLOv2是YOLO的第二个版本，该物品检测系统仍然只需要“Look Once”，其整体结构如下所示：

yolo_main.png

其主要由两个部分构成：

• 神经网络：将图片计算为一个13\times 13 \times 125的向量，该向量包含了预测的物品位置和类别信息
• 检测器：将神经网络输出的向量进行“解码”操作，输出物品的分类和位置信息。

神经网络部分

YOLOv2的神经网络部分使用了一个带跳层的神经网络，具体结构如下所示：

yolo_net.png

神经网络的设计没有太大飞跃性的改变，相对于YOLOv1的神经网络设计主要有以下改变：

• 每个卷积层后添加了批标准化层，加速了网络的收敛。
• 在第16层开始分为两条路径，将低层的特征直接连接到高层，可提高模型性能。
• 移除全连接层，最终的输出向量中保存了原来的位置信息。
• 输入尺寸变为416\times 416 \times 3，识别更高分辨率的图片。

该网络最终输入图片尺寸为，416\times 416 \times 3输出向量尺寸为13 \times 13 \times 125。

检测器部分

YOLOv2使用了Anchor Box的方法，神经网络输出的向量尺寸是13\times 13 \times 125，其中13 \times 13是将图片划分为13行和13列共169个cell，每个cell有125数据。对于每个cell的125个数据，分解为125 = 5 \times (5+20)，即每个cell包括5个anchor box，每个anchor cell包括25个数据，分别为物品存在置信度，物品中心位置(x,y)，物品尺寸(w,h)和类别信息（20个）。如下图所示：

yolo_result.png

对于每个cell包括5个anchor box信息，每个anchor box包括25个数据，分别：

• 为是否有物品（1个）
• 物品位置（4个）
• 物品种类（20个）

其中是否有物品的标记conf_{ijk}比较容易理解，表示位于i,jcell的第k个anchor box中有物品的置信度。20个物品种类向量也较好理解，哪一个数据最大即物品为对应的类别。

对于物品位置的四个数据分别为x_{ijk},y_{ijk},w_{ijk},h_{ijk}，与物品位置中心点和尺寸的关系为：

$$b_x = f(x_{ijk}) + c_x \\ b_y = f(y_{ijk}) + c_y \\  b_w = p_w e^{w_{ijk}} \\ b_h = p_h e^{h_{ijk}}$$

其中，b_x,b_y为物品中心点的实际坐标，b_w,b_h为物品的尺寸（长宽）。c_x,c_y的为该cell（x行y列）距离图片左上角的像素数，f的含义推测为将范围为0~1的输入值缩放到0~cell长度。p_w和p_h为该anchor box的预设尺寸。如下图所示：

detection.PNG

每个cell包括5个anchor box，这5个anchor box有不同的预设尺寸，该预设尺寸可以手动指定也可以在训练集上训练获得。在YOLOv2中，预设尺寸是通过在测试集上进行类聚获得的。

模型训练

神经网络部分基于模型Darknet-19，该模型的训练部分分为两个部分：预训练和训练部分

• 预训练：预训练是在ImageNet上按分类的方式进行预训练160轮，使用SGD优化方法，初始学习率0.1，每次下降4倍，到0.0005时终止。除了训练224x224尺寸的图像外，还是用448x448尺寸的图片。
• 训练：去除Darknet的最后一个卷积层，并将网络结构修改为YOLOv2的网络，在VOC数据集上进行训练。训练使用的代价函数是MSE代价函数。

另外，在训练过程中，还引入了多尺寸训练，由于网络删除了全连接层，所以该网络并不关心图片的具体大小，训练时使用320~608尺寸的图像{320,352，....，608}。

YOLOv3

YOLOv3是YOLO最新的更新，其主要的改进在以下方面：

• 网络结构改变：网络的结构由Darknet-19变为Darknet-53，跳层的现象越来越普遍。
• 尾部激活函数改变：尾部的激活函数（类别预测）由softmax改为sigmoid
• 尺度数量改变：anchor box的数量由5个改为3个

网络

网络结构如下所示：

YOLO3_net.PNG

网络结构明显参考了ResNet的设计，将低层的特征直接连接到高层。同时注意一点，网络可能没有使用pool层，而是使用stride=2的卷积层实现下采样。