目标检测算法——YOLOV2——better&faster

本文主要是介绍目标检测算法——YOLOV2——better&faster，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

由于YOLO V2的贡献除了正常的模型精度召回和推理性能方面，还给出了一种高效低成本扩充检测类别的方式YOLO900，为保证简练和逻辑的清晰，分两篇介绍。

1、主要贡献

    相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，称之为YOLO9000。

    其中对比V1改进点主要如下：

2、主要思路

    继承V1（顾欲真正理解V2，务必先看懂V1），主要增加的anchor 的概念，并使用聚类来提升anchor 的效率，期间重新设计的骨干网络，增加了BN，使用了passthrough操作混合低层次特征，以及更好的预训练和多尺度的训练。

3、具体细节

1）input

    预训练阶段，即使用image net阶段，输入为 224 * 224 ，共训练 160 个 epochs，再使用448*448，10个epoch。原因：检测数据较少，故使用ImageNet预训练，后面使用448*448fine tune 是由于检测为448* 448 ，可以减少分辨率突然切换造成的影响。得到4%mAP提升。

    训练检测阶段，每隔10个batch，网络随机选择一个新的图像尺寸{320,352, ...,608}（由于网络降采样的因子是32，因此image size为32的倍数），后文以416*416作为典型值讲解（下采样后为13*13）。这里需要注意虽然原文说希望最后的预测特征图为奇数，因为很多物体的中心在图像的中心，然而应用多尺度训练后，很多尺度对应的特征图并不是奇数。采用Multi-Scale Training策略，YOLOv2可以适应不同大小的图片，并且预测出很好的结果。注意，这只是测试时输入图片大小不同，而实际上用的是同一个模型（采用Multi-Scale Training训练）。

2）backbone

    增加BN，替换了全连接的dropout，mAP提升2.4%。命名为darknet19，网络具体如下。

    Darknet-19的top-1准确度为72.9%，top-5准确度为91.2%，但是模型参数相对小一些。使用Darknet-19之后，YOLOv2的mAP值没有显著提升，但是计算量却可以减少约33%。

3）neck & head

    整体结构如下，但是改进的细节比较多。

    a.引入anchor 机制

    对比YOLOV1主要区别有两个：

    *YOLOV1的每个网格，虽然也有两个bounding box，但是这两个bounding box是网络直接输出的，并没有任何先验的设置。而YOLOV2的anchor（借鉴faster RCNN、SSD也有采用）是可以理解为预先设置的具有不同长宽比和大小的bounding box，但是这里命名为anchor box。

    *YOLOV1的一个网格的两个bounding box是共享分类信息的，每个bounding box仅仅独立拥有（Center_x,Center_y,width,heigh, confidence），而YOLOV2的anchor box是独立用于分类信息的。

    YOLOv1只能预测98个边界框（ 7*7*2 ），而YOLOv2使用anchor boxes之后可以预测上千个边界框（13*13*num_anchors ）。所以使用anchor boxes之后，YOLOv2的召回率大大提升，由原来的81%升至88%。

    b.维度聚类

    这个主要用于解决上面的anchor如何设置的问题。在Faster R-CNN和SSD中，先验框的维度（长和宽）都是手动设定的，带有一定的主观性。如果选取的先验框维度比较合适，那么模型更容易学习，从而做出更好的预测。因此，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的IOU更好，所以聚类分析时选用box与聚类中心box之间的IOU值作为距离指标。

    d(box, centroid) = 1 - IOU(box, cnetroid)

    下图在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，作者最终选取5个聚类中心作为先验框，

    c.预测位置的处理

    目的是为了约束回归的范围（一般会归一化处理），这样能有助于模型的收敛。主要是沿用了YOLOV1的方式。

    回顾YOLOV1 的方式：坐标回归四个值（Center_x,Center_y,width,heigh, confidence）。Center_x,Center_y 回归的是距离7*7网格中物体中心点对应的一个网格的坐上角的坐标，为归一化值。width,height，也是整图的归一化值。

    V2主要是因为有了anchor的先验，利用了anchor本身的长宽。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sigmoid函数处理偏移值，这样预测的偏移值在(0,1)范围内（每个cell的尺度看做1）。总结来看，根据边界框预测的4个offsets （tx, ty, tw, th） ，可以按左一公式计算出边界框实际位置和大小：

    推理阶段，通过上面右一的公式，换算为相对整图的输出，其中W和H为特征图的大小，V2中为13*13.

    d.passthrough 层，融合底层次特征

    13 * 13 大小的特征图对检测大物体是足够了，但是对于小物体还需要更精细的特征图。YOLOv2提出了一种passthrough层来利用更精细的特征图。见上面的整体结构图，主要是将前面的每个26*26的特征图，通过如下操作变为4个13*13的特征图：

    使用Fine-Grained Features之后YOLOv2的性能有1%的提升。

    具体网络如下：

4）loss function

    和YOLOv1一样，对于训练图片中的ground truth，若其中心点落在某个cell内，那么该cell内的5个先验框所对应的边界框负责预测它，具体是哪个边界框预测它（两种方式：1、像YOLOV1一样，需要在训练中确定，计算预测框和ground truth 的iou；第二种，计算这个cell的5个先验框与ground truth的IOU值，此时不考虑坐标，只考虑形状，所以先将先验框与ground truth的中心点都偏移到同一位置（原点），然后计算出对应的IOU值。iOU值最大的那个先验框与ground truth匹配，对应的预测框用来预测这个ground truth，第二种是大多数人的实现方式。）而剩余的4个边界框不与该ground truth匹配。YOLOv2同样需要假定每个cell至多含有一个grounth truth，而在实际上基本不会出现多于1个的情况。与ground truth匹配的先验框计算坐标误差、置信度误差以及分类误差，而其它的边界框只计算置信度误差（此时target为0）。YOLOv2和YOLOv1的损失函数一样，为均方差函数。

    如下loss并非官方，论文并没有提及核心的损失函数和上段文字的匹配机制，均参考自https://zhuanlan.zhihu.com/p/35325884。

    *第一项loss是计算background的置信度误差。计算各个预测框和所有ground truth的IOU值，如果最大值仍小于一定的阈值（YOLOv2使用的是0.6），那么这个预测框就标记为background。

    *第二项是计算先验框与预测框的坐标误差，但是只在前12800个iterations间计算，在训练前期使预测框快速学习到先验框的形状。

    *第三大项计算与某个ground truth匹配的预测框各部分loss值，包括坐标误差、置信度误差以及分类误差。在计算obj置信度时，target=1，但与YOLOv1一样而增加了一个控制参数rescore，当其为1时，target取预测框与ground truth的真实IOU值（cfg文件中默认采用这种方式）。

    *对于那些没有与ground truth匹配的先验框（与预测框对应），除去那些Max_IOU低于阈值的，其它的就全部忽略，不计算任何误差。

    *都是采用均方差来计算loss。另外需要注意的一点是，在计算boxes的 w 和 h误差时，YOLOv1中采用的是平方根以降低boxes的大小对误差的影响，而YOLOv2是直接计算，但是根据ground truth的大小对权重系数进行修正：l.coord_scale * (2 - truth.w*truth.h)（这里w和h都归一化到(0,1))，这样对于尺度较小的boxes其权重系数会更大一些，可以放大误差，起到和YOLOv1计算平方根相似的效果。

5）trics

    *增加BN，替换了全连接的dropout，mAP提升2.4%。

    *先在 ImageNet 分类数据集上预训练 Darknet-19，此时模型输入为 224 * 224 ，共训练 160 个 epochs，再使用448*448，10个epoch，然后fine-tune的得到的网络，在detection上得到4%mAP提升。（主要区别就是增加了再使用imagenet 448*448 fine tube的过程，原因是，检测为448*448 缓解了分辨率突然切换造成的影响。）

    *使用了先验框，召回率大幅提升到88%，同时mAP轻微下降了0.2。

    *先验框聚类，且使用iou作为距离度量。

    *使用多尺度训练检测器

    *使用passthrough 层结合底层特征

4、结果

     YOLOv2算法在VOC 2007数据集上的表现为67 FPS时，MAP为76.8，在40FPS时，MAP为78.6.

    提点主要是靠多分辨率+anchor机制，提速主要是靠改进的自研darknet19.

参考链接

1、https://zhuanlan.zhihu.com/p/334961642

2、关于聚类 https://blog.csdn.net/xiaomifanhxx/article/details/81215051

3、详细解释 https://blog.csdn.net/u014380165/article/details/77961414

4、https://www.cnblogs.com/sddai/p/14760055.html

5、最详细：https://zhuanlan.zhihu.com/p/35325884

6、https://www.yuejianzun.xyz/2018/07/03/YOLOv2%E4%B8%8EYOLOv3%E5%AD%A6%E4%B9%A0%E7%AC%94%E8%AE%B0/

7、个人的代码实现及细节解读：https://zhuanlan.zhihu.com/p/101891196

8、https://www.zybuluo.com/huanghaian/note/1752758

这篇关于目标检测算法——YOLOV2——better&faster的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！