YOLO v2概述

YOLO v1虽然检测速度快，但在定位方面不够准确，并且召回率较低。为了提升定位准确度，改善召回率，YOLO v2在YOLO v1的基础上提出了几种改进策略，如下图所示，一些改进方法能有效提高模型的mAP。

这个图片的第2行第1列是进行改进的点，第2行第3列应该看红色数字标注的列，有√就是有改进，空白就是没改进，第2行第4列就是今天咱们的主角yolo V2，集所有BUFF于一身得到最强mAP值，第3行是对应的mAP值。下面我们按顺序逐一讲解：

Batch Normalization（批归一化）

• 舍弃了Dropout。因为Dropout经常在全连接层用到，为了防止过拟合。在这里也就表示去掉了全连接层。不知道的复习一下神经网络基础算法。
• 那么既然没有了全连接层，对图像输入的大小还有要求吗？当然是没有了，因为只有全连接层的参数限制了输入图像的大小，卷积层又不影响。
• 每一个卷积层后都加入Batch Normalization，也就是网络的每一层都做归一化，收敛起来相对简单。
  
  可以这样理解，加上BN之后就相当于月考，有利于下一步的发展。不加BN相当于年考，中间学的怎么样不清楚。
• 从第一张图可以看到，经过Batch Normalization之后的网络会提升2%的mAP。
• 目前Batch Normalization已经成为网络模型必备处理方法了。也就是一个学校发现月考挺好，然后其他学校纷纷效仿，最终全国统一了。

High Resolution Classifier（高分辨率预训练分类网络）

• V1训练的时候用的224224，测试的时候用的448448。效果并不是很好，V2在训练时额外加了10次448*448的微调，使得mAP提升了约4%。
• 为什么 V1不用224224呢？可能是因为当时设备不允许啊！训练时间也要呈平方倍增长。比如224224训练用了10h，448*448就要用100h，伤不起。
  

New Network：Darknet-19

YOLO v2采用Darknet-19，其网络结构如下图所示，包括19 1919个卷积层和5 55个max pooling层，主要采用3 × 3卷积和1 × 1卷积，这里1 × 1卷积可以压缩特征图通道数以降低模型计算量和参数，每个卷积层后使用BN层以加快模型收敛同时防止过拟合。最终采用global avg pool 做预测。采用 YOLO v2，模型的mAP值没有显著提升，但计算量减少了。

• 实际输入图像大小416x416，为什么是416x416？首先要可以整除$2^5$，因为5次降采样后h和w的一个像素点相当于原始图像的32个像素点，最后做还原用到。
• 最终得到13*13的Grid Cell。
• 缩减网络，让图片的输入分辨率为416x416，目的是让后面产生的卷积特征图宽高都为奇数，这样就可以产生一个center cell。因为大物体通常占据了图像的中间位置，可以只用一个中心的cell来预测这些物体的位置，否则就要用中间的4个cell来进行预测，这个技巧可稍稍提升效率。也就是所有大物体的中心点都落在了center cell，如果是偶数的话，所有大物体的中心位置就可能分布在4个cell中。

各参数计算方法：

神经网络中的filter （滤波器）与kernel（内核）的概念

可参考 ：https://blog.csdn.net/m0_54634272/article/details/128519246

• kernel（内核）: 是一个2维矩阵，长 × 宽；

• filter（滤波器）：是一个三维立方体，长× 宽 × 深度， 其中深度便是由多少张内核构成；

• 两者之间的关系：可以说 kernel 是filter 的基本元素， 多张kernel 组成一个filter;

• 那么， 一个filter 中应该包含多少张 kernel 呢？
  答：是由输入的通道个数所确定， 即，输入通道是3个特征时，则后续的每一个filter中包含3张kernel ;
  filter输入通道是包含128个特征时， 则一个filter中所包含kernel 数是128张。

• 那么一层中应该有多少个filter 构成呢？
  答： 我们想要提取多少个特征，即我们想要输出多少个特征，那么这一层就设置多少个filter；

• 一个filter 负责提取某一种特征，N个filter 提取 N 个特征；

• Filters（卷积核个数）：是可以人为指定的，在out_channels设置，如果设置为2，就会生成两个形状相同，初始参数不同的filter。

• Size：卷积核的大小

• Stride（步长）：往往决定了输出特征图的大小。h/stride和w/stride。

• Q：为什么要加入1x1的卷积层

  • A：我们以下面这张图举例，经过Maxpool层之后特征图的个数翻倍了。3x3的卷积无非是特征浓缩的过程。3x3接3x3和3x3接1x1再接3x3的效果是差不多的，不过第二种节省了很多参数。还保持了整体网络结构没有太大影响。
    

• Q：maxpool特征图个数翻倍？

  • A：池化操作就是用一个kernel，比如2x2的，就去输入图像上对应2x2的位置上，选取这四个数字中最大的作为输出结果。这就叫最大池化。
    输出通道=输入通道
    这里特征图翻倍是因为作者设置了out_channels=2

• Q：1x1节省了参数？

  • A：参数的概念：确定一个卷积层的结构所需要的信息（例如：kernel_size, stride, padding, input_channels, output_channels），看下这张图，显然是（1）图的计算量和参数少。
    

Anchor卷积

在YOLO-V1中使用全连接层进行bounding box预测，这会丢失较多的空间信息，导致定位不准。YOLO-V2借鉴了Faster R-CNN中anchor的思想，我们知道Faster R-CNN中的anchor就是在卷积特征图上进行滑窗采样，每个中心预测9个不同大小和比例的anchor。

总的来说YOLO-V2移除了全连接层(以获得更多的空间信息)使用anchor boxes去预测bounding boxes。并且YOLO-V2中的anchor box可以同时预测类别和坐标。具体做法如下：

• 跟YOLO-V1比起来，去掉最后的池化层，确保输出的卷积特征图有更高的分辨率。
• 使用卷积层降采样(factor=32)，使得输入卷积网络的416x416的图片最终得到13x13的卷积特征图(416/32=13)。
• 由anchor box同时预测类别和坐标。因为YOLO-V1是由每个cell来负责预测类别的，每个cell对应的两个bounding box负责预测坐标。YOLO-V2中不再让类别的预测与每个cell绑定一起，而是全部都放到anchor box中去预测。
  加入了anchor之后，我们来计算下，假设每个cell预测9个anchor，那么总计会有13x13x9=1521个boxes，而之前的网络仅仅预测了7x7x2=98个boxes。具体每个网格对应的输出维度如下图：
  

YOLOV1和YOLOV2网格输出维度对比

我们知道YOLO-V1输出7x7x30的检测结果，如上图，其中每个网格输出的30个数据包括两个候选框的位置，有无包含物体的置信度，以及网格中包含物体类别的20个概率值。
YOLO-V2对此做了些改进，将物体类别的预测任务交给了候选框，而不再是网格担任了，那么假如是9个候选框，那么就会有9x25=225个数据的输出维度，其中25为每个候选框的位置，有无物体的置信度以及20个物体类别的概率值。这样的话，最后网络输出的检测结果就应该是13x13x225，但是上面网络框架中是125，是怎么回事儿呢？我们接着看。

Dimension Clusters（Anchor Box的宽高由聚类产生）

在Faster R-CNN和SSD中，先验框都是手动设定的，带有一定的主观性。 YOLO v2采用k-means聚类算法对训练集中的边界框做了聚类分析，选用boxes之间的IOU值作为聚类指标。综合考虑模型复杂度和召回率，最终选择5 个聚类中心，得到5个先验框，发现其中中扁长的框较少，而瘦高的框更多，更符合行人特征。通过对比实验，发现用聚类分析得到的先验框比手动选择的先验框有更高的平均IOU值，这使得模型更容易训练学习。

• Faster R-CNN和SSD的做法
  • 大致就是这么个意思：设定了3种长宽不同的比例，然后根据物体可能的大小设定3个不同的尺寸，最终得到9个Anchor Box。但是这样真的好吗？不太符合现实中的物体。

• YOLO V2聚类提取先验框的做法
  • 首先数据集是我真实需要的，我想从这里面提取出5类框，这样做显然更符合实际情况。于是就按照大小、长宽比等根据K-mean算法得到了更接近实际的5类先验框。
    

K-means聚类中的距离

在使用anchor时，Faster R-CNN中anchor boxes的个数和宽高维度往往是手动精选的先验框(hand-picked priors)，如果能够一开始就选择了更好的，更有代表性的先验boxes维度，那么网络就应该更容易学到精准的预测位置。YOLO-V2中利用K-means聚类方法，通过对数据集中的ground truth box做聚类，找到ground truth box的统计规律。以聚类个数k为anchor boxes个数，以k个聚类中心box的宽高为anchor box的宽高。
可以复习一下K-means聚类算法：
基础聚类算法：K-means算法
但是，如果按照标准的k-means使用欧式距离函数，计算距离的时候，大boxes比小boxes产生更多的error。但是，我们真正想要的是产生好的IoU得分的boxes(与box大小无关)，因此采用了如下距离度量方式：
$$d(box,centroids)=1-IOU(box,centroids)$$
假设有两个框，一个是3x5，一个框是5x5,那么欧式距离计算为：
$$\sqrt{(5-3{)}^2+(5-5{)}^2}=2$$
IoU的计算如下，为了统计宽高聚类，这里默认中心点是重叠的:
$$(3\ast 5)/(5\ast 5)=0.6$$
这里，为了得到较好的聚类个数，算法里做了组测试，如下图，随着k的增大IoU也在增大，但是复杂度也在增加。

k-means聚类个数的选择
所以平衡复杂度和IoU之后，最终得到k值为5。可以从右边的聚类结果上看到5个聚类中心的宽高与手动精选的boxes是完全不同的，扁长的框较少，瘦高的框较多(黑丝框对应VOC2007数据集，紫色框对应COCO数据集)。 这样就能明白为什么上面网络框架中的输出为什么是13x13x125了，因为通过聚类选用了5个anchor。

• 虽然说k值越大分的越细，差距也就越小，但是也不能设置太多的anchor boxes吧，而且在5之后曲线上升的就不是那么快了，所以选了一个折中的值5。
• 通过增加anchor boxes的方法虽然mAP值有所下降，但是查全率（Recall）提升了7个点。
  

直接位置预测（Directed Location Prediction）

上面学习，我们知道这里用到了类似Faster R-CNN中的anchor，但是使用anchor boxes有一个问题，就是会使得模型不稳定，尤其是早期迭代的时候。大部分的不稳定现象出现在预测box的中心坐标时，所以YOLO-V2没有用Faster R-CNN的预测方式。

YOLO-V2位置预测（t_x，t_y）就是预测边界框中心点相对于对应cell左上角位置的相对偏移值，为了将边界框中心点约束在当前cell中，使用了sigmoid函数处理偏移值，这样预测的偏移值就在(0,1)范围内了(每个cell的尺度看作1）。
我们具体来看以下这个预测框是怎么产生的？
在网格特征图(13x13)的每个cell上预测5个anchor，每一个anchor预测5个值：（t_x，t_y，t_w，t_h，t₀）。如果这个cell距离图像左上角的边距为（c_x，c_y），cell对应的先验框(anchor)的长和宽分别为(p_w，p_h）,那么网格预测框为下图蓝框。如下图：

候选框如何生成？
总的来说，虚线框为anchor box就是通过先验聚类方法产生的框，而蓝色的为调整后的预测框。算法通过使用维度聚类和直接位置预测这亮相anchor boxes的改进方法，将mAP提高了5%。接下来，我们继续看下还有哪些优化？

细粒度特征（Fine-Grained Features）

感受野

3个3*3卷积核的优势：

• 省参数
• 每一次卷积之后都要进行BN，相当于月考，而一个7X7的卷积核就相当于期末考。

SSD通过不同Scale的Feature Map来预测Box，实现多尺度，不熟悉的可以看下面：
目标检测算法SSD结构详解
而YOLO-V2则采用了另一种思路：通过添加一个passthrough layer，来获取之前的26x26x512的特征图特征，也就是前面框架图中的第25步。对于26x26x512的特征图，经过重组之后变成了13x13x2048个新的特征图(特征图大小降低4倍，而channels增加4倍)，这样就可以与后面的13x13x1024特征图连接在一起形成13x13x3072大小的特征图，然后再在此特征图的基础上卷积做预测。如下图：

YOLO-V2算法使用经过扩展后的特征图，利用了之前层的特征，使得模型的性能获得了1%的提升。

多尺度训练（Multi-Scale）

原始的YOLO网络使用固定的448x448的图片作为输入，加入anchor boxes后输入变成了416x416，由于网络只用到了卷积层和池化层，就可以进行动态调整，检测任意大小的图片。为了让YOLO-V2对不同尺寸图片具有鲁棒性，在训练的时候也考虑到了这一点。
不同于固定网络输入图片尺寸的方法，每经过10批训练(10 batches)就会随机选择新的图片尺寸。网络使用的降采样参数为32，于是使用32的倍数{320，352，…，608}，最小尺寸为320x320，最大尺寸为608x608。调整网络到相应维度然后继续训练。这样只需要调整最后一个卷积层的大小即可，如下图：

这种机制使得网络可以更好地预测不同尺寸的图片，同一个网格可以进行不同分辨率的检测任务，在小尺寸图片上YOLO-V2运行更快，在速度和精度上达到了平衡。