YOLOv2小白精讲

news2024/9/20 21:47:43

YOLOv2是一个集成了分类和检测任务的神经网络，它将目标检测和分类任务统一在一个单一的网络中进行处理。
本文在yolov1的基础上，对yolov2的网络结构和改进部分进行讲解。yolov1的知识点可以看我另外一篇博客（yolov1基础精讲-CSDN博客）。

一、yolov1存在的不足

检测小目标和密集目标的效果差
对于重叠在一起的物体检测不准
yolov1的定位不准
召回率较低
map较低

二、yolov2针对上述问题做了哪些改进

在原论文的Better章节提到以下7个改进部分：

Batch Normalization（批归一化）
High Resolution Classifier（高分辨率分类器）
Anchor（锚点）
Dimension Cluster（维度聚类）
Direct location prediction（直接位置预测）
Fine-Grained Features（细粒度特征）
Multi-Scale-Training（多尺度训练）

三、网络结构及改进点详解

1. 网络架构

YOLOv2使用了一个新的19层深度卷积神经网络Darknet-19作为其基础特征提取器。Darknet-19包含有19个卷积层和5个MaxPooling层，是一个完全卷积的网络，没有全连接层。

与复杂计算量大的VGG-16相比，Darknet-19大大的减少了计算量，同时保持了精度，提高了模型的速度。

YOLOv2的网络结构在处理分类和检测任务时，有一些区别。

上图是yolov2的图像分类网络结构图。利用很多1*1卷积不停的降维和升维，所以参数量比较少。最后通过一个全局平均池化将得到的7*7*1000的数据变成1*1*1000的数据（即1000个分类结果）。

上图是yolov2的图像检测网络结构图。yolov2删除最后一个卷积层，将其换成了三个3 × 3的卷积层，每个3 × 3的卷积层有1024个卷积核，最后一个由1 × 1的卷积层来得到13*13* [(5+20)*5] 的数据。网络结构会在后面部分解释。

2. Batch Normalization（批归一化）

Batch Normalization（BN）简单来说就是将神经元的输出减去均值再除以差，使输出变为以0为均值，标准差为1的分布。因为很多激活函数在0附近是非饱和区，远离0是饱和区，如果输出的数据太大或太小会陷入饱和区，造成梯度消失，难以训练。所以用BN层将数据集中到0附近的非饱和区。
Batch Normalization的详细讲解可以看我另一篇博客（批量归一化（BN）和层归一化（LN）的区别）。

在每层卷积层的后面都加入 batch normalization 层，不再使用dropout，使得模型在 mAP 上提升了2.4%。

3. High Resolution Classifier（高分辨率分类器）

在yolov1中，是用224*224的图像进行训练，用448*448的图像进行推理。模型在推理时适应这种分辨率的差异，所以性能会降低。
所以yolov2先在224*224的分类数据集上训练一会儿，再在448*448的分类数据集上训练10个epoch，最后在448*448的检测数据集上进行微调训练。这样就能适应大分辨率的输出，这个改进提升了3.5%的map

4. Anchor（锚点）

YOLOv1直接回归边界框的坐标和尺寸，可能在定位上不够准确，因为并没有对bounding box作尺度上的约束，可能会导致某个grid cell上的bounding box非常大。
YOLOv2引入了锚点（Anchors）的概念来改善目标检测的准确性和召回率，尤其是在小目标和密集目标的检测上。锚点是一组预定义的边界框形状，代表了数据集中常见物体的尺寸和比例。

为什么需要预定义的边界框形状呢，因为大部分的物体的检测框有其固有的特征。

如上图所示，人的检测框是瘦高的，车的检测框是矮胖的。

yolov2中将图片分为13*13个grid cell，每个grid cell有5个锚框，每个锚框对应一个预测框。预测框预测出相对于这个锚框的偏移量，而不像yolov1中没有尺寸和位置限制造成的野蛮生成。并且每个预测框都可以预测不同的物体，在YOLOv1中，由于类别概率分布是整个grid cell共享的，因此一个grid cell不能预测不同的类别。然而在YOLOv2中，由于每个bounding box有自己独立的类别概率分布，因此一个grid cell能够预测不同的类别。

与yolov1类似
在训练阶段，对于每个网格单元，只有那些与真实边界框具有最高IoU（交并比）的锚点才会被标记为“负责”预测该物体。这意味着在训练中，每个真实边界框只会与一个最适合它的锚点进行匹配，而其他锚点则被视为“负例”，即它们不包含任何物体，从而学习到不预测物体的情况。
在推断阶段，每个网格单元的5个锚点都会产生预测，但是NMS过程会去除那些重叠的低置信度预测，只保留最可能的检测结果。

YOLOv1输出结构

每个grid cell输出以下信息：
- 2个bounding boxes，每个bounding box包含：
  - 4个坐标值（x, y, w, h）
  - 1个置信度分数
- 共享的20个类别概率分布
  YOLOv1每个grid cell输出：2 * (4 + 1) + 20 = 30个值

YOLOv2输出结构

每个grid cell输出以下信息：
- K个bounding boxes（K通常为5），每个bounding box包含：
  - 4个坐标值（x, y, w, h）
  - 1个置信度分数
  - 20个类别概率分布
    
    YOLOv2每个grid cell输出：5* (4 + 1 + 20) =125个值

5. Dimension Cluster（维度聚类）

那anchor怎么得到的呢？
锚点是通过对训练集中的真实边界框进行K-means聚类分析得到的。具体步骤如下：

数据准备：收集所有训练图像中真实边界框的宽高比。
初始化锚点：选择一个锚点数量k，随机选择k个边界框尺寸作为初始的锚点。
分配边界框： 对于数据集中的每一个真实边界框，计算其与每个锚点之间的IoU（交并比）。将每个边界框分配给IoU最大的锚点，形成k个聚类。
更新锚点：对于每个聚类，计算所有分配给该聚类的边界框的平均尺寸，用这个平均尺寸更新该聚类的锚点。
迭代优化：重复步骤3和4，直到锚点的更新变化小于某个阈值或达到预定的迭代次数。这个过程类似于传统的K-means算法，但目标是最大化锚点和它们所代表的边界框之间的平均IoU。
评估和选择锚点：评估不同数量的锚点（k值，yolov2设置为5）对模型性能的影响。通常，锚点数量越多，模型的召回率越高，但也会增加计算成本。通过实验，选择一个在性能和效率之间平衡的锚点集合。