《YOLO2》论文精读：7项措施和联合训练让YOLO1更好、更快、更强大

YOLO9000：先进实时目标检测系统解析

最新推荐文章于 2025-10-26 16:27:58 发布

原创

最新推荐文章于 2025-10-26 16:27:58 发布 · 888 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #Paper精读 #视觉检测

在这里插入图片描述

YOLO1论文最新由Facebook AI发表于2016年5月，截止现在2024年10月，引用数是52854次。
YOLO2由华盛顿大学研究机构于2016年12月发布，截止2024年10月，引用数是23157次。

文章目录

核心内容（省流版阅读这里即可）
1. YOLO1的缺陷-63.4mAP
2. 优化措施-起点是63.4mAP
3. 使用Darknet-19网络结构
4. 以分类任务进行训练
5. 为了目标检测而训练
6. 联合训练方法
- 6.1. Hierarchical classification层次分类

核心内容（省流版阅读这里即可）

这篇论文介绍了YOLO9000，这是一种先进的实时目标检测系统，能够检测超过9000个不同的物体类别。接下来逐步解析这篇论文的核心内容：

1. YOLO9000 的介绍

目标检测系统：YOLO9000 是一种先进的实时目标检测系统，能够检测超过9000个不同的物体类别。

2. YOLOv2 的改进

YOLO 检测方法的改进：首先，文章介绍了对YOLO检测方法的各种改进，包括新颖的改进和借鉴先前工作的改进。
YOLOv2 的表现：改进后的模型称为 YOLOv2，在标准的检测任务（如 PASCAL VOC 和 COCO）上达到了最先进的水平。

3. 多尺度训练方法

多尺度训练：使用了一种新的多尺度训练方法，使得同一个 YOLOv2 模型可以在不同的输入尺寸下运行，提供了速度和准确率之间的灵活权衡。
性能指标：
- 在67 FPS时，YOLOv2 在 VOC 2007 数据集上获得了 76.8 mAP 的成绩。
- 在40 FPS时，YOLOv2 在 VOC 2007 数据集上获得了 78.6 mAP 的成绩，优于当时最先进的方法如 Faster R-CNN（使用 ResNet）和 SSD，同时仍然保持较高的运行速度。

4. 联合训练方法

联合训练：提出了一种联合训练方法，用于同时进行目标检测和分类的训练。
YOLO9000 的训练：使用这种联合训练方法，在 COCO 检测数据集和 ImageNet 分类数据集上同时训练 YOLO9000。

5. YOLO9000 的性能

检测数据不足的情况：这种联合训练使得 YOLO9000 即使在某些类别没有标注的检测数据时也能做出预测。
性能验证：在 ImageNet 检测任务上验证了这种方法。尽管只有44个类别的检测数据，YOLO9000 在 ImageNet 检测验证集上获得了 19.7 mAP 的成绩。
- 在 COCO 数据集中未包含的 156 个类别上，YOLO9000 获得了 16.0 mAP 的成绩。
检测范围：YOLO9000 不仅仅能够检测200个类别，它能够预测超过9000个不同的物体类别，并且仍然能在实时条件下运行。

1. YOLO1的缺陷-63.4mAP

YOLO对边界框预测施加了强大的空间约束，因为每个网格单元格只能预测两个边界框，并且只能有一个类。这个空间约束限制了我们的模型可以预测的附近物体的数量。我们的模型在预测成群出现的小物体时出现了瓶颈困境，比如鸟群，人群、牛群等。

由于我们的模型学会了从数据中预测边界框，所以模型很难或者无法检测在训练数据中没有出现过的类别对象，或者很难检测跟训练数据的检测对象长宽比不同检测对象。

我们的模型还使用了相对粗糙的特征来预测边界框，因为我们的架构从输入图像中有多个降采样层。

最后，当我们训练一个目标检测的损失函数时，我们的损失函数处理小边界框与大边界框中的损失是相同的。一个大盒子里的小错误通常是良性的，但一个小盒子里的小错误对损失有更大的影响。我们的主要错误来源是不正确的损失函数。

缺陷总结为四点如下：

检测类别数不足
类别种数无法扩展
网络结构简单
损失函数不好

2. 优化措施-起点是63.4mAP

这篇论文几个单词的解释，需要达成共识：

Anchor Boxes，翻译成锚点边界框，简称锚盒
centroids，翻译成聚类出来的锚点边界框，简称质心
Ground Truth：在机器学习中，“ground truth”指的是真实的数据标签或者是实际的结果。对于物体检测任务来说，ground truth通常包含了物体的位置（边界框坐标）以及物体的类别

相对SOTA的检测模型，YOLO存在各种缺点。YOLO与Fast R-CNN对比分析表明，YOLO产生了大量的定位错误。另外，与基于proposal-based的方法相比，YOLO的召回率相对较低。因此，我们主要关注在提高分类精度的同时提高召回率和定位准确性。

计算机视觉一般倾向于更大、更深层次的网络。更好的性能通常取决于训练更大的网络或将多个模型集成在一起。然而，对于YOLOv2，我们想要一个更准确的检测模型，并且希望模型推理速度很快。我们没有扩大网络，而是简化了网络，然后使模型更容易学习。我们从过去的工作的各种想法与我们自己的创新点相结合，以提高YOLO的表现。对结果的总结见表2。