《YOLO目标检测》—— YOLO v2 详细介绍

标签：YOLOv2 卷积 检测 模型 YOLO 19 v2

文章目录

• • 一、核心原理
  • 二、网络框架
  • 三、改进策略
  • 四、性能表现

YOLO v2，又称为YOLO9000，是YOLO（You Only Look Once）系列算法中的一个重要版本，由Joseph Redmon等人在2016年提出。该算法在目标检测领域取得了显著的成就，以其高效、准确的特点受到了广泛关注。以下是对YOLO v2的详细介绍：

一、核心原理

YOLO v2将目标检测问题视为一个单个的回归问题，通过在图像上划分网格并在每个网格上预测边界框（Bounding Boxes）和类别概率来实现目标检测。这种方法的优点是能够快速地处理图像并给出检测结果。

二、网络框架

1. Darknet-19：YOLO v2采用了一个新的基础模型（特征提取器），称为Darknet-19。它包括19个卷积层和5个最大池化（maxpooling）层，主要用于提取图像特征。Darknet-19的设计原则与VGG16一致，主要采用3x3卷积，并且在3x3卷积之间使用1x1卷积来压缩特征图通道数以降低模型计算量和参数。使用Darknet-19后，YOLOv2的计算量减少了约33%，同时保持了较高的检测精度。

• 如下图：
  
• Darknet-19最终采用global avgpooling 做预测
  
  • 上图是yolov2的网络结构，前18层卷积结构和分类模型的前18层一样，第13个卷积层生成的特征图的尺寸为26x26x512，在这个卷积层接上paththrough结构

三、改进策略

相对于YOLO v1的改进，如下图：

1. Batch Normalization（批次归一化）：

   • YOLO v2在每个卷积层后面都添加了Batch Normalization层，以加快收敛速度，降低模型过拟合。
   • 这一改进使得YOLO v2的平均准确率均值（mAP）提升了2.4%。

2. hi-res classifier（高分辨率分类器）：

   • YOLO v2使用ImageNet预训练模型，并将输入图像的分辨率从224x224提高到448x448进行了10轮训练的微调
   • 使模型的mAP提升了约4%。

3. Convolutional With Anchor Boxes：

   • 原来的YOLO是利用全连接层直接预测bounding box（预选框）的坐标，而YOLOv2借鉴了Faster R-CNN的思想，引入anchor。
   • 首先将原网络的全连接层和最后一个pooling层去掉，使得最后的卷积层可以有更高分辨率的特征。
   • 在检测模型中，YOLOv2不是采用448x448的图片作为输入，而是采用416x416大小的图片。因为YOLOv2模型下采样的总步长为32 ，对于416x416大小的图片，最终得到的特征图大小为13x13，维度是奇数，这样特征图恰好只有一个中心位置。
   • 对于一些大物体，它们中心点往往落入图片中心位置，此时使用特征图的一个中心点去预测这些物体的边界框相对容易些（因为大的物体一般会占据图像的中心，所以希望用一个中心点去预测，而不是4个中心点去预测），所以在YOLOv2设计中要保证最终的特征图有奇数个位置。

4. Dimension Cluster：

   • YOLOv2采用k-means聚类方法对训练集中的边界框做了聚类分析。
   • 因为设置先验框的主要目的是为了使得预测框与ground truth（真实框）的IOU更好，到聚类中心的距离越小越好，但IOU值是越大越好，所以使用 1 - IOU，这样就保证距离越小，IOU值越大
   • 因此：
     
   • 下图为在VOC和COCO数据集上的聚类分析结果，随着聚类中心数目的增加，平均IOU值（各个边界框与聚类中心的IOU的平均值）是增加的，但是综合考虑模型复杂度和召回率，发表此模型论文的作者最终选取5个聚类中心作为先验框，其相对于图片的大小如右边图所示。
     
   • 但值得注意的是，在YOLO v2的最终实现中，先验框还是采用了预设的方式。

5. New Network:Darknet-19 ：

   • 模型结构在上面的网络框架中 已经介绍过，使用Darknet-19后，YOLOv2的计算量减少了约33%，同时保持了较高的检测精度。

6. Direct Location Prediction：

   • Direct Location Prediction：是一种方法，其目的是进行位置微调，预测偏移量。它用于限制偏移量，以防止在训练时出现发散。这种方法预测的是相对位置，即相对于网格的偏移量
   • 边界框的中心坐标如下计算：
     
   • 但是上面的公式是无约束的，预测的边界框很容易向任何方向偏移，因此每个位置预测的边界框可以落在图片任何位置，这导致模型的不稳定性，在训练时需要很长时间来预测出正确的偏移量。
   • 所以，YOLOv2弃用了这种预测方式，而是沿用YOLOv1的方法，就是预测边界框中心点相对于对应网格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网格中，使用sigmoid函数处理偏移值，这样预测的偏移值在(0,1)范围内（每个网格的尺度看做1）
   • 计算公式和示例如下图：
     

7. Fine-Grained Features：

   • 在上面的网络结构中提到在卷积层接上paththrough结构，passthrough层中以前面更高分辨率的特征图为输入，然后将其连接到后面的低分辨率特征图上
   • 高辨率的图片经passthrough层处理之后就变成4x13x13x512的新特征图，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
   • 这样的融合方法，可以找到更多的特征目标
   • 如下图：
     

8. Multi-Scale Training：

   • 由于YOLOv2模型中只有卷积层和池化层，所以YOLOv2的输入可以不限于416x416大小的图片
   • 由于YOLOv2的下采样总步长为32，输入图片大小选择一系列为32倍数的值，最小的图像尺寸为320x320，最大的图像尺寸为608x608
   • YOLO v2 在训练过程中每间隔一定的训练轮数，便会改变输入图片的大小，以此来提高模型对不同尺寸图片处理的能力
     

四、性能表现

YOLO v2在速度和准确性方面取得了较大的改进。它能够在实时环境中运行，处理速度可达30~45 FPS（Frames Per Second），非常适合需要快速响应的应用场景，如视频监控和自动驾驶。同时，YOLO v2还通过数据增强等技术进一步提高了模型的泛化能力，能够检测多种尺寸和形状的目标。在VOC2007测试集上，YOLO v2以67FPS的推理速度达到76.8%mAP；在大尺寸输入下，以40FPS的推理速度达到78.6%mAP。

标签：YOLOv2,卷积,检测,模型,YOLO,19,v2
From： https://blog.csdn.net/weixin_73504499/article/details/143169874