YOLO v2 论文总结算法总结:Better, Faster, Stronger

最新推荐文章于 2024-11-04 15:23:27 发布

原创

最新推荐文章于 2024-11-04 15:23:27 发布 · 1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#YOLO #论文

YOLOv2在YOLOv1基础上改进，提高了检测速度和精度，包括批处理归一化、高分辨率分类器、锚框卷积等。YOLO9000则实现了检测和分类数据集的联合训练，能检测9000多种物体。通过使用WordTree，YOLO9000解决了多类别数据集的融合问题，提高了检测的多样性和准确性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

YOLO9000: Better, Faster, Stronger

1. 论文主要内容

1.1. Abstract 摘要

YOLOv2 训练和测试都是在VOC和COCO的检测数据集。

YOLO9000训练时使用：

COCO detection dataset
ImageNet classification dataset，应该是9000多类。

YOLO9000测试时使用：

ImageNet detection task。共有200类，只有44类COCO数据集中有，156类COCO数据集中没有。

作者提出了两种新的算法，YOLOv2 和 YOLO9000。YOLOv2在YOLOv1的基础上添加了很多其他论文中的训练方法，可以检测不同尺寸的图片，平衡了速度和精度。在VOC2007数据集上测试达到了67FPS和76.8mAP，在40FPS速度下测试时，得分78.6mAP，这个得分比Faster R-CNN、ResNet、SSD更快更好。

YOLO9000：作者提出了能同时训练（joint training）检测数据集和分类数据集的算法。同时使用COCO检测数据集和ImageNet分类数据集训练，这样就可以检测到COCO数据集之外的物体了。在ImageNet检测数据集上验证结果，检测训练时COCO数据集中有的44类时，得分 19.7 mAP；检测训练时COCO数据集中没有的156类时，得分 16.0 mAP。YOLO9000不仅能检测这200类的物体，还能检测所有的 ImageNet classification dataset 中的物体（9000多类）。

1.2. Introduction 简介

通用的检测方法应该是又快又好的，还能检测大量类别的物体，但算法总是会被少量目标所牵制。

检测任务只有几百的种类，最多几十万张图片。但分类任务却有几十万的种类，几百万的图片。

我们希望检测任务的种类和数量和跟上分类任务，近期来看这是不可能的任务。

所以作者提出了一种将不同数据集的图片合起来（dataset combination method），使用一种叫分级图层（hierarchical view）处理方法来利用分类数据集完成检测任务。

作者提出了一种联合训练（joint training algorithm）方法在训练检测任务时，可以同时利用检测数据集和分类数据集。这种方法利用训练图片来提高定位精度，利用分类图片来提高种类数量和鲁棒性。

使用这种方法，YOLO9000能检测超过9000类的物体。

1.3. Better 更好

YOLOv1 与当前的算法相比有很多缺点。与Fast R-CNN 相比，YOLOv1 有更多的定位偏差错误。与使用 region proposal 的方法相比，召回率（recall）更低。所以作者在保持分类精度的前提下，提高了算法的召回率和定位准确度。

通常使用更大的网络，组合更多的方法，可以提高检测效果。然而YOLOv2简化了网络，使特征更容易习得，精度提高，速度依然很快。作者尝试了很多其他论文的方法，实验结果见表格2。

Batch Normalization 批处理

BN 可以显著提高收敛性。作者在所有的全连接层后面添加了BN，不再使用YOLOv1中的 dropout 了。使用BN效果提升2%mAP。

High Resolution Classifier 使用高分辨率图片训练分类网络

大家的检测算法都会在ImageNet上预训练分类器（如检测？分类？如何预训练）。最开始是 AlexNet 使用224 * 224的图片分类。YOLO的分类网络也先后在224*224, 448*448的图片上预训练的，网络先后学习的图像大小不同。

YOLOv2 先使用ImageNet数据集输出448*448的图片来训练分类网络（epochs = 10）,不在使用224*224的低分辨率图片来训练分类网络了，这样可以让网络的过滤器更加适应高分辨率的图片，最后在检测数据集上微调。使用高分辨率图片效果提升4%。

Convolutional With Anchor Boxes 卷积层使用锚框

YOLOv1 是通过在所有卷积层之后添加全连接层来预测 bounding boxes 的坐标。Faster R-CNN 是通过 hand-picked priors 而不是坐标来预测 bounding boxes 的，Faster R-CNN 中的 RPN（region proposal network）只使用了卷积层来预测 Anchor Boxes 的偏