目标检测算法：YOLOv2-v4简单解读

news2024/11/25 18:58:35

目标检测算法：YOLOv2-v4简单解读

说明

YOLO系列算法是目标检测领域比较突出的算法之一，网上关于每个版本都有非常多的解读，这里我只是简单梳理一下我自己的观点，主要目的是帮助自己复习和梳理知识。

本博客属于论文解读系列，但是注重点还是我个人认为比较重要的地方，因此对于论文并没有非常详细的解读。

免责申明

有误写/错写/错误观点/错误解读，或者大家有其它见解，都可以在评论区指出，博主会认真学习的。

原始论文下载链接

YOLOv2、YOLOv3、YOLOv4。

目录结构

文章目录

- 目标检测算法：YOLOv2-v4简单解读
- - 1. 前言
  - 2. YOLOv2
  - - 2.1 创新点
    - 2.2 整体架构
    - 2.3 YOLOv2中的anchor机制
    - 2.4 YOLOv2中的回归机制
  - 3. YOLOv3
  - - 3.1 创新点
    - 3.2 整体架构
  - 4. YOLOv4
  - - 4.1 创新点
    - 4.2 模型范式
    - 4.3 YOLOv4架构
    - 4.4 作者尝试过的tricks
  - 5. 总结

1. 前言

之前，对YOLOv1论文进行解读了，本篇文章将YOLOv2-v4结合在一起进行解读，主要是单篇解读感觉内容有点少。

2. YOLOv2

2.1 创新点

相较于YOLOv1，YOLOv2主要的创新点在于：

引入了BN层
引入Anchor机制
引入了残差链接

2.2 整体架构

YOLOv2整体架构如下图：
在这里插入图片描述

上图中的骨干网络其实是作者自己设计的，其命名为Darknet-19。
YOLO v1 作者采用先在ImageNet（227*227）上预训练，再去检测数据集（448*448）上微调，但是后来发现效果不佳。因此在YOLO v2中作者预训练完毕后，先在ImageNet上用448*448的图像微调，再用于检测数据集上。

2.3 YOLOv2中的anchor机制

为什么引入anchor机制？

由于在YOLOv1中预定的框太少了，只有7*7*2=98个，因此作者引入了anchor机制来增加预定框的数量。

如何实现的

Faster-RCNN中的anchor机制有一个缺点，就是尺寸和比例是人为设定的，最终结果受此影响较大。因此，在YOLOv2中，作者采用k-means算法进行聚类，通过判断（1-IOU）的值来进行聚类操作，生成k个（人为设定个数）anchor框。

2.4 YOLOv2中的回归机制

由于YOLOv2中引入了anchor机制，因此回归机制相对于YOLOv1有所变化。

在原始RPN网络中，是这么定义回归的：（其中，dx与dy是偏移值。）

在这里插入图片描述

但是，上式存在一个缺点，就是x、y的值没有限制，因此可能落在图像中任意位置，导致模型不稳定。故需要对它加以限制，同时也采用YOLOv1的思想，预测相对于左上角的偏移量：

在这里插入图片描述

其中，sigmoid函数限制值在（0，1）之间，而Cx、Cy为左上角点坐标。

3. YOLOv3

YOLOv3主要的创新点就在于引入了多尺度交叉融合的思想，但是由于论文写的比较随意，因此很多细节多在代码中体现，因此读懂网络架构是最重要的一环。

3.1 创新点

FPN思想的引入（多尺度交叉融合预测）

3.2 整体架构

整体架构如图所示：

在这里插入图片描述

其中输出有三个通道，最终输出的尺寸大小不同，也是针对的检测对象大小不同。

另外，采用了FPN的思想（深层特征图向上传递给浅层特征图进行融合）。

4. YOLOv4

YOLOv4更偏向于应用，理论上的创新不多

4.1 创新点

给出了目标检测的一种“范式”，将检测模型划分为不同的部位，以后构建新模型有点类似乐高的拼接不同模块。
另外，YOLOv4还对各种tricks进行了应用

4.2 模型范式

YOLOv4将目标模型分为以下四个部位：

输入
- 比如普通的图像输入、图像补丁（将图像切分为小块）、图像金字塔（比如将一张图像进行多尺度缩放构成金字塔）
骨干（backbone）
- 常见的比如VGG、ResNet、DarkNet等
颈部（neck）
- 常见的就是FPN、PAN等
头部（head）
- 分为两类，一类是单阶段的检测头，另外一类是多阶段的检测头。除此之外，还可以从是否解耦进行分类，解耦的一类就像多阶段检测头一样，最终的结果就是框坐标+类别；没有解耦的一类就像YOLO，最终输出是一个特征向量，想要转为框，还需要后处理。

这一范式很重要，在后面的YOLO系列中，大都是根据这个范式进行不同部位的修改和优化。