YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战|YOLOv2目标检测算法原理

跟学视频

炮哥带你学——YOLOv1、YOLOv2、YOLOv3目标检测算法原理与实战

1.Yolov2目标检测的背景

2. Yolov2模型改进点

1. 使用 Anchor Boxes（锚框）

• YOLOv1 的问题：YOLOv1 每个网格单元只能预测固定数量的边界框（通常为 2 个），这在面对不同形状和大小的目标时存在局限性，特别是对于小目标或者比例不对称的目标，效果较差。
• YOLOv2 的改进：引入了 Anchor Boxes 的概念，每个网格单元预测多个预设的边界框（通常为 9 个），每个边界框有不同的比例和大小。这些边界框通过 K-means 聚类从训练数据中自动学习得到。
  • Anchor Boxes 提供了一种更加灵活的方式来适应不同形状的目标。
  • 网格单元不再直接预测边界框的坐标，而是预测与每个 Anchor Box 相对应的偏移量，使得边界框更加精确。

2. 批量归一化（Batch Normalization）

• YOLOv1 的问题：YOLOv1 在训练时较为容易发生梯度消失或梯度爆炸的问题，导致训练不稳定。
• YOLOv2 的改进：引入了 批量归一化（Batch Normalization），在每个卷积层后进行归一化处理。这不仅改善了训练的稳定性，还加速了收敛，并提高了模型的准确性。批量归一化减少了对初始化和学习率的依赖。

3. 高分辨率输入

• YOLOv1 的问题：YOLOv1 的输入图像大小为 448×448，这虽然加快了速度，但限制了图像的分辨率和细节，导致在细节捕捉和小物体检测方面效果较差。
• YOLOv2 的改进：YOLOv2 增加了对更高分辨率输入的支持，默认使用 416×416 的图像大小，且在训练时可以使用不同大小的图像进行多尺度训练，增强了模型的鲁棒性和小物体检测能力。

4. 多尺度训练

• YOLOv1 的问题：YOLOv1 固定输入尺寸为 448×448，无法适应不同尺度的目标。
• YOLOv2 的改进：引入 多尺度训练，在训练过程中动态改变输入图像的尺寸，使得模型能够更好地适应不同大小的目标。通过多尺度训练，YOLOv2 能够检测不同尺寸的目标，并且在面对各种不同分辨率的图像时表现更好。

5. 改进的损失函数

• YOLOv1 的问题：YOLOv1 的损失函数设计较为简单，容易在训练过程中忽略某些边界框的精度，尤其是在小物体检测时。
• YOLOv2 的改进：优化了损失函数，特别是在边界框回归和分类任务之间的平衡。增加了 log(1 + IoU) 损失，以更精确地优化边界框位置和大小的回归。

6. 更深的网络结构

• YOLOv1 的问题：YOLOv1 的网络深度相对较浅，不能充分提取高层次的特征，导致对一些复杂场景的检测能力不足。
• YOLOv2 的改进：YOLOv2 使用了更深的网络结构，采用了 Darknet-19 作为骨干网络，并加入了更多的卷积层。这使得模型能够学习到更丰富的特征，从而提升了检测精度。

7. 空间金字塔池化（Spatial Pyramid Pooling, SPP）

• YOLOv1 的问题：YOLOv1 将所有图像压缩到固定的大小（448×448），这可能丢失图像的空间信息，尤其是对于大小不一的目标。
• YOLOv2 的改进：引入 空间金字塔池化（SPP） 模块，允许网络在不同的空间尺度下进行池化，从而提高了对不同尺寸目标的检测能力。SPP 能够在不同尺寸的图像上进行池化操作，有效保留了空间信息，并提升了模型的多尺度检测能力。

8. 预训练模型

• YOLOv1 的问题：YOLOv1 从头开始训练，参数初始化和训练过程可能不稳定。
• YOLOv2 的改进：YOLOv2 引入了 预训练模型，使用 ImageNet 上训练好的模型作为初始化，增强了模型的性能和训练稳定性。这种方式减少了训练时间，并提高了模型的泛化能力。

9. 目标检测精度提升

• YOLOv2 相比 YOLOv1 提高了 目标检测的精度，特别是在小物体和边界框定位方面表现得更好。通过引入 Anchor Boxes 和更深的网络结构，YOLOv2 能够更精确地预测目标的位置和类别。

10. YOLO9000（检测 9000 种目标）

• YOLOv2 的一个重要创新是 YOLO9000，它不仅可以通过常规的检测任务识别目标，还能够结合 类间层次结构（如 WordTree）进行 联合训练，从而在一个模型中同时进行 目标检测 和 目标分类，能够检测多达 9000 种 目标类别。

 2.1BN层

 

第四步是BN层的精髓。

一般CNN后后都加一个BN层。

BN层和Drouput操作不共用。

mAP（mean Average Precision，均值平均精度） 是目标检测任务中常用的评估指标，用来衡量模型在多个类别上综合的检测精度。它结合了 精确率（Precision） 和 召回率（Recall），并在多个阈值下计算，最终给出一个综合评分，用以反映模型的整体性能。

2.2Hi-res classifier 更高分辨率的分类模型

 2.3Convolutional+Anchor boxes

• 奇数大小的 grid cell（如 13x13、26x26 等）能够确保每个网格单元的中心位置对齐。这意味着每个网格会有一个明确的“中心”，这个中心可以用于定位目标（bounding box）。使用奇数大小的 grid cell 可以更好地捕捉目标的空间结构，并且避免出现偏移问题。
• 假设我们使用 13x13 的网格，在该网格中，每个 cell 的中心都会位于网格的中心点，这有助于准确地定位物体，并且将物体中心与其所在的 grid cell 对齐。这样，模型的空间推理能力会更强。

 

2.4DarkNet19网络

 2.5dimension priors

如何确定 Dimension Priors？

在实际应用中，通常通过以下步骤来获得 dimension priors：

1. 数据集统计：

   • 从训练数据集中提取所有物体的 边界框（bounding box），即每个物体的宽度和高度。
   • 统计所有物体的尺寸，并找出常见的物体尺寸分布。

2. 聚类算法：

   • 使用聚类算法（如 k-means）对物体的尺寸进行聚类，确定出最常见的尺寸（即尺寸先验）。
   • 这些聚类的中心点代表了常见物体的尺寸，也就是 Anchor boxes 的初步尺寸。

3. Anchor Boxes 配置：

   • 一旦确定了常见的尺寸，Anchor boxes 的尺寸就可以作为 dimension priors 用于模型训练。在训练时，网络会根据这些尺寸来预测物体的边界框。

 2.6location predication直接位置预测

 

2.7Passthrough 

2.8multi-scale-training

不同分辨率的训练使模型精度提高，模型更加坚挺，鲁棒性加强。

2.9hi-res detector 

3.Yolov2损失函数 

 

 4.总结

YOLOv2 整体流程总结：

1. 数据预处理：调整图像大小、数据增强。
2. 卷积层特征提取：使用卷积层提取图像特征。
3. Anchor Boxes 生成候选框：为每个网格单元生成多个候选框，并预测边界框位置、尺寸和置信度。
4. 类别预测：每个网格单元预测物体的类别。
5. NMS 处理：去除重叠框，保留最优框。
6. 输出结果：生成目标检测结果，包括边界框和类别。