YOLOV1和YOLOV2

YOLO系列

·YOLO-V1 

经典的one-stage方法

You Only Look Once，名字就已经说明了一切！

把检测问题转化成回归问题，一个CNN就搞定了！

可以对视频进行实时检测，应用领域非常广！

核心思想

分格字

 网络架构

 每个数字的含义

10 =(X,Y,H,W,C)*B（2个）

当前数据集中有20个类别

7*7表示最终网格的大小（S*S）*（B*5+C）

损失函数

 ​·NMS(非极大值抑制)：

·YOLO-V1：

优点：快速，简单！

问题1：每个Cell只预测一个类别，如果重叠无法解决

问题2：小物体检测效果一般，长宽比可选的但单一

·YOLO-V2：更快！更强！

 ·YOLO-V2-Batch Normalization

V2版本舍弃Dropout，卷积后全部加入Batch Normalizatio

网络的每一层的输入都做了归一化，收敛相对更容易

经过Batch Normalization处理后的网络会提升2%的mAP

从现在的角度来看，Batch Normalization已经成网络必备处理

·YOLO-V2-更大的分辨率

V1训练时用的是224*224，测试时使用448*448可能导致模型水土不服，V2训练时额外又进行了10次448*448的微调

使用高分辨率分类器后，YOLOv2的mAP提升了约4%

​​​​​​·YOLO-V2-网络结

DarkNet，实际输入为416*416

没有FC层，5次降采样（13*13）

1*1卷积节省了很多参数

 ·YOLO-V2-聚类提取先验框

faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集

K-means聚类中的距

·YOLO-V2-Anchor Box

通过引入anchor boxes，使得预测的box数量更多（13*13*n）

跟faster-rcnn系列不同的是先验框并不是直接按照长宽固定比给定

 召回率提高

·YOLO-V2-Directed Location Prediction

bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：

 

tx=1,则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp

这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候

V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量

感受野：概述来说就是特征图上的点能看到原始图像多大区域。

 如果堆叠3个3*3的卷积层，并且保持滑动窗口步长为1，其感受野就是7*7的了，这跟一个使用7*7卷积核的结果是一样的，那为什么非要堆叠3个小卷积呢？感受野更大，特征提取更明显

假设输入大小都是h*w*c，并且都使用c个卷积核(得到c个特征图)，可以来计算一下其各自所需参数：

 

很明显，堆叠小的卷积核所需的参数更少一些，并且卷积过程越多，特征提取也会越细致，加入的非线性变换也随着增多，还不会增大权重参数个数，这就是VGG网络的基本出发点，用小的卷积核来完成体特征提取操作。

·YOLO-V2-Fine-Grained Features

最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征。

 ·YOLO-V2-Multi-Scale

都是卷积操作可没人能限制我了！一定iterations之后改变输入图片大小。

最小的图像尺寸为320 x 320。

最大的图像尺寸为608 x 608。