目标检测算法YOLO-V2详解-技术圈

❝
上期我们一起学习了YOLO-V1算法的框架原来和损失函数等知识，如下：
目标检测算法YOLO-V1算法详解
 目标检测模型YOLO-V1损失函数详解
【文末领福利】
❞

今天，我们一起学习下YOLO-V2跟YOLO-V1比起来都做了哪些改进？从速度优化和精确度优化的角度来看，主要有以下内容：

Darknet-19结构
YOLO-v2结构
高精度分类器
Anchor卷积
维度聚类
直接位置预测
细粒度特征
多尺度训练
YOLO-v2性能

针对YOLO-V1准确率不高，容易漏检，对长宽比不常见物体效果差等问题，结合SSD的特点，提出了YOLO-V2算法。改算法从速度和精度上做了一些改进措施，我们一起看下都有哪些优化？微信公众号[智能算法]回复关键字“1002”,即可下载YOLOV2论文。

YOLO-V2速度优化

大多数检测网络依赖于VGG-16作为特征提取网络，VGG-16是一个强大而准确的分类网络，但是过于复杂。比如一张224x224的图片进行一次前向传播，其卷积层就需要多达306.9亿次浮点数运算。
YOLO-V1使用使用的是基于GoogLeNet的自定制的网络，比VGG-16更快,一次前向传播需要85.2亿次运算，不过它的精度要略低于VGG-16。
在YOLO-V2中，使用的是Darknet-19的网络，该网络一次前向传播仅需要55.8亿次运算，我们先来看下Darknet-19模型的网络框架：

Darknet-19结构

Darknet-19顾名思义，有19个卷积层，如下图：

网络很简单，大致连接如下：

首先输入图像大小为224x224x3，经过3x3x32的卷积层以及池化后得到112x112x32的特征图;
接着经过3x3x64的卷积层以及池化后得到56x56x64的特征图；
接着依次经过3x3x128,1x1x64,3x3x128的卷积层以及池化后得到28x28x128的特征图；
接着依次3x3x256,1x1x128,3x3x256的卷积层和最大化池化后得到14x14x256的特征图；
接着依次经过3x3x512,1x1x256,3x3x512,1x1x256,3x3x512和最大化池化后得到7x7x512的特征图；
接着再一次通过3x3x1024,1x1x512,3x3x1024,1x1x512,3x3x1024的卷积层后得到7x7x1024的特征图；
最后经过一个1x1x1000的卷积层，均值池化层得到1000个结果再经过softmax输出。

YOLO-v2结构

既然YOLO-V2的主框架是基于Darknet-19搭建的，我们来看下YOLO-V2的结构，如下图：

其中上图中的输入大小为416x416x3，其他的0-24层跟上面学的Darknet-19是一样的。我们来从第25层看一下后面的那几层啥意思：

第25层的route 16的意思是将第16层中的数据取过来做第26层的处理。
第26层对第16层的数据做了一个reorganization的处理，将26x26x512的数据转化为13x13x2048的特征图；
第27层将第26层和24层的数据拿过来堆放到一起，给第28层处理；
第28层做了一个3x3x1024的卷积，将特征图大小变为13x13x1024；
第29层最终经过一个1x1x125的卷积层，将特征图变为13x13x125，最后得到检测结果。

到这里应该有一些疑问，什么是reorganization处理？以及为什么最后是13x13x125的尺寸？这里简单的说下reorganization处理，reorganization处理就是硬性的对数据进行重组，比如将一个2x2的矩阵重组成1x4,重组前后元素总个数不变，但是尺寸变化。上面的就是对26x26x512的数据进行了重组为13x13x2048大小。那么最后的尺寸为什么是13x13x125，这个下面再讲好理解些。框架上大致优化就这些，我们接着看以下精确度上如何优化。

YOLO-V2精确度优化

为了得到更好的精确度，YOLO-V2主要做从这几方面做了优化：高精度分类器，Anchor卷积，维度聚类，直接位置预测，细粒度特征，多尺度训练。我们一个一个看：

高精度分类器

在YOLO-V1中，网络训练的分辨率是224x224，检测的时候将分辨率提升到448x448。而YOLO-V2直接修改了预训练分类网络的分辨率为448x448，在ImageNet数据集上训练10个周期(10 epochs)。这个过程让网络有足够的时间去适应高分辨率的输入，然后再fine tune检测网络，mAP获得了4%的提升。

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 RCNN中anchor的思想，我们知道Faster RCNN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。
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。
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：

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。

维度聚类

在使用anchor时，Faster RCNN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。

关于K-means，我们之前也有讲过如下：
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：

假设有两个框，一个是3x5，一个框是5x5,那么欧式距离计算为：

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:

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。

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。

直接位置预测

上面学习，我们知道这里用到了类似Faster RCNN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 RCNN的预测方式。

YOLO-V2位置预测，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：,,,,。如果这个cell距离图像左上角的边距为(，)，cell对应的先验框(anchor)的长和宽分别为(,),那么网格预测框为下图蓝框。如下图：

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

我们前面学过SSD通过不同Scale的Feature Map来预测Box，实现多尺度，如下：
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

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，没经过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。

YOLOV2性能

对于YOLO-V2的性能，直接看下YOLOV2和其他常见的框架在pascal voc2007数据集上测试结果性能比对表，如下表：

首先可以看到随着训练尺寸的尺寸变大，YOLOv2算法的mAP是逐渐上升的，FPS相应的逐渐下降。在554x554尺寸上的训练mAP达到78.6，从下面的性能分布图图中也可以看到YOLOV2算法的性能相对来说是挺不错的。

其中YOLOv2的五个蓝色圈圈代表上面表中的五个不同尺寸的结果。

好了，至此，我们从Darknet-19结构，YOLO-v2结构，高精度分类器，Anchor卷积，维度聚类，直接位置预测，细粒度特征，多尺度训练以及性能方面一起学习了YOLO-V2相比与YOLO-V1做了哪些改进。下一期，我们将一起学习YOLO-V3的算法框架。

添加作者微信，备注“2020nn”领取：2020最新版《神经网络与深度学习》中文版及课件。

♥转发在看也是一种支持♥