经典目标检测YOLO系列(二)YOLOv2算法详解

经典目标检测YOLO系列(二)YOLOv2算法详解

YOLO-V1以完全端到端的模式实现达到实时水平的目标检测。但是，YOLO-V1为追求速度而牺牲了部分检测精度，在检测速度广受赞誉的同时，其检测精度也饱受诟病。正是由于这个原因，YOLO团队在2016年提出了YOLO的第一个改进版本—YOLO-V2。

该论文题目，直接指出了该模型的存在三大特点——更好（better）、更快（faster）、更强（stronger）。

更好（better），就是YOLO-V1通过使用批归一化（Batch Normalization, BN）、基于卷积的锚点机制等一系列技术手段，使得目标检测精度较YOLO-V1有了大幅度提高； 更快（faster），就是YOLO-V2通过改进网络结构，在小幅降低精度的情况下，大幅减少浮点运算次数以提高模型速度（针对224×224尺寸图像输入的单趟前向传播，由VGG16网络的300亿次浮点运算降低至80亿次）； 更强（stronger），就是基于YOLO-V2构建YOLO-9000模型，通过采用联合训练（jointly training）机制，综合发挥目标检测任务数据集和图像分类任务数据集的综合优势（目标检测数据集图像数量少、目标类别少但提供精确的目标位置信息，而分类数据集无目标位置信息，但类别数多且图像数量庞大），使得支持的检测目标类别数从原来的20类大幅扩展至9000类，大大提高了模型的适用性。

“更好”和“更快”主要是说YOLO-V2，“更强”是说YOLO-9000。我们主要讲解YOLO-V2。

1 YOLOv2的改进之处

1.1 添加BN层

在最初的YOLOv1网络中，每一层卷积的结构都是线性卷积和激活函数，并没有使用当前十分流行的诸如：批归一化（batch normalization，BN）、层归一化（layer normalization，LN）、实例归一化（instance normalization，IN）等归一化层。 到了YOLOv2的研究时代，BN层已经广泛应用于cv领域，成为了标准配置，因此，YOLO作者团队便在原先使用的卷积层中添加了BN层。 在加入了BN层后，网络在训练阶段可以回传更稳定的梯度流，因而理所当然地提升了YOLOv1的性能。在VOC2007测试集上，YOLOv1的mAP指标从原本的63.4% 提升至65.8%，超过2%的提升。

关于常见的归一化操作，可以参考: Pytorch常用的函数(六)常见的归一化总结(BatchNorm/LayerNorm/InsNorm/GroupNorm)

1.2 高分辨率主干网络

YOLOv1中，将YOLOv1的Backbone网络放到ImageNet数据集中，使用224×224的图像去做预训练，然后再将训练好的权重作为目标检测任务的Backbone部分的初始化权重（移除最后的全局平均池化层和分类层）。这就是常见的ImageNet pretraining。使用224×224的图像做预训练，却用448×448的图像做检测，作者认为图像尺寸的前后差异会造成一些负面影响。

Backbone从较小的224×224的图像所学到的信息远不如448x448的图像丰富，这可能使得Backbone无法学习到更充分的信息。因此，在完成了224x224的图像的预训练后，作者接着又将Backbone网络在448x448的图像上做进一步的“微调”，总共训练10个epoch。完成了这两步的预训练后，再将预训练权重用作Backbone网络的初始化权重。 经过这种改进的预训练策略所训练出来的Backbone权重，使得YOLOv1网络获得了第二次的性能提升：在VOC2007测试集上的mAP从65.8% 提升到69.5%，提升很大。不过，这一技巧并未成为主流训练技巧。

一个可能的原因就是这个问题可能确实不是很严重，稍微延长训练时间便可以了。如今，视觉的预训练已经从早先的ImageNet pretraining迈入到了MAE pretraining新纪元。

图像分类任务通常不会需要太多的细节信息，对于一个类别“猫”，我们不需要知道这只猫都有哪些细节信息，只需要学到猫这一类动物的通用特征即可，这可能会使得Backbone忽略掉很多对下游任务反而很重要的信息。基于Masked Image Modeling（MIM）思想的MAE pretraining策略则大大强化了Backbone对于图像细节信息以及通过mask所学到的图像的high-level结构信息，从而为下游任务提供了更好的初始化权重。 尽管目前的新版本的YOLO已经全面采用了train from scratch(从零开始训练)策略，但Backbone部分的pretrain研究仍旧是当前视觉领域的最为重要的基础任务之一，因为一个好的预训练权重可以同步提升多个下游任务的性能上限。

1.3 引入Anchor Box机制

锚框(anchor box)的意思便是将一堆边界框预先放置在特征图网格的每一处位置，通常每个位置都放置相同数量的相同尺寸的锚框。如下图所示，每两个网格绘制一次，仅是出于观赏性的考虑，实际上每一个网格都有相同数量的锚框。

Faster R-CNN提出了anchor box，在RPN中，每个网格处设定了k个具有不同尺寸、不同宽高比的anchor box，在训练阶段，RPN网络会为每一个anchor box学习若干偏移量：中心点的偏移量和宽高的偏移量。这些偏移量可以将预先设定好的anchor box尺寸调整至所检测的目标的真实框的尺寸。

由此可见，Faster RCNN提出的anchor box的本质是提供边界框的尺寸先验。因此，anchor box有时也被称为“先验框”。使用先验框的目标检测网络，被称为Anchor-base模型。

很显然，设计先验框的一个难点在于设计多少个先验框，且每个先验框的尺寸（宽高比和面积）又是多少。

一类解决方案是以RetinaNet为代表的手动设置，比如使用1 : 1、1 : 3、3 : 1三种宽高比设置和32、64、128、256以及512五种面积设置，从而一共可以确定出15个先验框尺寸；另一类则是以YOLO为代表的基于k-means聚类方法自适应调整先验框的尺寸。

YOLOv2中，在COCO数据集上使用聚类，可以得出5组先验框，参数如下：

[

[17, 25],

[55, 75],

[92, 206],

[202, 21],

[289, 311]

]

我们可以用下面代码，可视化下这5组先验框:

#!/usr/bin/env python

# -*- coding:utf-8 -*-

import os

import cv2

def show_anchor_box(picture_path):

# 输入图片尺寸

INPUT_SIZE = 416

mask = [0, 1, 2, 3, 4]

# 在coco数据集上，利用kmeans聚类出来的5组不同宽高的anchor box

anchors = [17, 25,

55, 75,

90, 206,

202, 21,

289, 311]

FEATURE_MAP_SIZE = 13

GRID_SHOW_FLAG = True

img = cv2.imread(picture_path)

print("原始图片的shape: ", img.shape)

img = cv2.resize(img, (INPUT_SIZE, INPUT_SIZE))

# 显示网格，颜色为黑色

if GRID_SHOW_FLAG:

height, width, channels = img.shape

GRID_SIZEX = int(INPUT_SIZE / FEATURE_MAP_SIZE)

for x in range(0, width - 1, GRID_SIZEX):

cv2.line(img, pt1 = (x, 0), pt2 = (x, height), color = (0, 0, 0), thickness = 1, lineType = 1) # x grid

GRID_SIZEY = int(INPUT_SIZE / FEATURE_MAP_SIZE)

for y in range(0, height - 1, GRID_SIZEY):

cv2.line(img, pt1 = (0, y), pt2 = (width, y), color = (0, 0, 0), thickness = 1, lineType = 1) # y grid

for ele in mask:

# 画出图像中心点聚类出来不同宽高的5组anchor box，颜色为红色

# 需要告诉函数的左上角顶点pt1和右下角顶点的坐标pt2

cv2.rectangle(img,

pt1 = ((int(INPUT_SIZE * 0.5 - 0.5 * anchors[ele * 2]), int(INPUT_SIZE * 0.5 - 0.5 * anchors[ele * 2 + 1]))),

pt2 = ((int(INPUT_SIZE * 0.5 + 0.5 * anchors[ele * 2]), int(INPUT_SIZE * 0.5 + 0.5 * anchors[ele * 2 + 1]))),

color = (0, 0, 255),

thickness = 2

)

cv2.imshow('img', img)

while cv2.waitKey(1000) != 27: # loop if not get ESC.

if cv2.getWindowProperty('img', cv2.WND_PROP_VISIBLE) <= 0:

break

cv2.destroyAllWindows()

if __name__ == '__main__':

directory = './imgs'

for filename in os.listdir(directory):

picture_path = os.path.join(directory, filename)

show_anchor_box(picture_path)

1.4 使用全卷积网络结构

在YOLOv1中，一个显著的弊病就是网络在最后阶段使用了全连接层。具体来说，YOLOv1先将[B, C, H, W]格式的特征图拉平成[B, N]格式的向量，然后交给全连接层去处理。这一操作通常会破坏特征图的空间结构。为了解决这一问题，作者便将其改成了全卷积结构，并且添加了Faster R-CNN工作所提出的anchor box机制。

首先去掉了YOLOv1网络中的最后一个池化层和所有的全连接层，使得降采样倍数从64变成32，最终得到的也从原先的7x7（对应448x448的图像）变为了13×13（对应416x416的图像）。另外，还在每个网格处都预设了k个具有不同尺寸的anchor box。

对于目标的中心点，其学习目标还是中心点偏移量；对于目标的宽高，网络只需要学习偏移量去调整anchor box的尺寸即可，无需再将整个边界框的尺寸作为学习标签。 YOLOv1漏检现象的降低

YOLOv1会在每个网格处预测2个边界框，每个边界框都有自己的置信度，但他们却都共享一组类别的置信度，因此，每个网格处最终只会输出一个物体，倘若一个网格包含了两个以上的物体，那就会漏检YOLOv2改为每一个先验框都预测一个边界框置信度和一组类别置信度，即每个边界框都是独立的。因此，改进后的YOLOv1的输出张量大小就从原先的SxSx(5B+C)变成了现在的S×S×k×(1+4+C)。引入anchor box后，每个网格就最多可以检测K个物体了，相对YOLOv1漏检现象会少。 尽管网络结构变成了全卷积网络，并使用了anchor box机制，但YOLOv1的性能却没有表现出预料中的提升，反而从69.5% mAP降至69.2% mAP，有了轻微的下降，但召回率却从81%提升到88%。召回率的提升意味着YOLO可以找出更多的目标了，尽管精度下降了一点点。由此可见，每个网格输出多个检测结果确实有助于网络检测更多的物体。

1.5 新的主干网络DarkNet19

DarkNet19名字中的19是因为该网络共包含19个卷积层。 作者首先将DarkNet19在ImageNet上进行预训练，在验证集上获得了72.9%的top1准确率和91.2%的top5准确率。就预训练的精度而言，DarkNet19网络以更少的参数量达到了当时的VGG网络的水平。 预训练完毕后，去掉网络中用于分类任务的全局平均池化层和分类层后，用作Backbone网络的初始化权重，随后将YOLO网络放到检测任务中去做训练和测试。再使用了新的Backbone网络后，YOLOv1的性能从上一次的69.2% mAP提升到69.6% mAP。 Convolutional为前面所提到的卷积三件套：线性卷积+BN层+LeakyReLU激活函数。

1.6 基于k-means聚类方法自适应调整先验框

以RetinaNet为代表的先验框的尺寸参数依赖于人工设计。

YOLO作者认为人工设定的尺寸不一定够好，并且人工设定的做法又有着一定的局限性。为了去人工化，作者采用kmeans聚类方法去自动地在指定的数据集（如VOC或者COCO）上获取适用于该数据集的k个先验框。 聚类的过程中，作者将先验框与目标框的IoU作为优化指标。如下图，聚类出5个先验框。

距离公式如下

:

d

(

b

o

x

,

c

e

n

t

r

o

i

d

)

=

1

−

I

O

U

(

b

o

x

,

c

e

n

t

r

o

i

d

)

距离公式如下:\\ d(box,centroid)=1-IOU(box,centroid)

距离公式如下:d(box,centroid)=1−IOU(box,centroid) 不过，以现在的观点看，基于kmeans聚类思想计算先验框的方法和人工设计并没有差别，仅仅是将确定先验框的尺寸的计算过程自动化了。模型依旧还是要依赖于这些超参数，从而在一定程度上削弱了自身的泛化性。因此，才有后来的anchor-free架构。

改进边界框预测方法。

下图，展示了改进后边界框中心点及宽、高预测的公式。 对于边界框中心点预测，YOLO仍旧去学习中心点偏移量tx和 ty 。并使用sigmoid函数限定其数值范围处在0～1之间，这一点是修正了存在于YOLOv1中的预测值无上下界的问题。 对于边界框宽高预测，由于有了边界框的尺寸先验信息，YOLOv1只需要学习一些偏移量去调整先验框的尺寸即可。 先验框的宽和高也都是相对于网格的尺度，因此计算出来的 cx,cy,w,h 也都是相对于网格尺度的值，最后我们还需要将其乘以32，才能将其映射到输入图像的尺度上。不过，我们后面自己实现的YOLOv2的先验框的宽高是基于原始图像大小，不需要乘以32。 使用kmeans聚类方法获得先验框，再配合改进后的边界框预测方法，YOLOv1的性能得到了显著的提升：从69.6% mAP提升到74.4% mAP。

不难想到，性能提升的主要来源在于kmeans聚类，更好的先验信息自然会有效提升网络的检测性能。只不过，这种先验信息是依赖于数据集的，这是一个潜在问题。

1.7 passthrough层的引入

YOLOv1仅在网络输出的最后一个feature map上去检查输入图像中的所有目标

最后一张feature map的低分辨率就意味着网格划分的很粗糙，不够精细，这不仅对于密集物体检测的效果会较差，小物体的检测效果也不够理想。特征图的分辨率越高，所划分的网格也就越精细，能够更好地捕捉目标的细节信息。相较于YOLOv1只在一张7×7的过于粗糙的网格上做检测，2016年的SSD使用多种不同分辨率的特征图自然会更好。 YOLO作者借鉴了SSD的这一思想。

将Backbone的第17层卷积输出的26×26×512特征图拿出来，做一次特殊的降采样操作，得到一个13×13×2048特征图然后将二者在通道的维度上进行拼接，得到更厚的13×13×3072的特征图最后在这张融合了更多信息的特征图上去做检测。这里需要注意的是，实际上在作者代码中，在特殊的降采样之前先做了降维由26×26×512降维至26×26×64，然后做特殊的降采样变为13×13×256，然后拼接得到13×13×1280的特征图。 了解passthrough层后，原版YOLOv2的整体架构也就知道了。 特殊的降采样操作(reorg)如下图所示:

特征图在经过reorg操作的处理后，特征图的宽高会减半，而通道则扩充至4倍这种特殊降采样操作的好处就在于降低分辨率的同时，没丢掉任何细节信息，信息总量保持不变。加上该操作后，在VOC 2007测试集上的mAP从74.4%再次涨到了75.4%。以今天的眼光看，最终的检测还是在13×13的网格中进行检测，并不是真正的类似SSD的多级检测。

1.8 多尺度训练技巧

多尺度训练的好处就在于可以改变数据集中各类物体的大小占比，

比如说，一个物体在608的图像中占据较多的像素，面积较大，而在320图像中就会变少了，就所占的像素数量而言，相当于从一个较大的物体变成了较小物体。不断地对数据集里的图片做多尺度操作，可以有效地增加不同尺度的目标数量，进而丰富数据，因此，多尺度训练也算是一种“数据增强”操作。多尺度训练就是在训练网络时，每训练迭代10次，就从{320，352，384，416，448，480，512，576，608}选择一个新的图像尺寸用作后续10次训练的图像尺寸。注意，这些尺寸都是32的整数倍，因为网络的最大降采样倍数就是32。 配合多尺寸训练，YOLOv1的性能再一次获得了提升：从上一次的75.4% mAP提升到了76.8% mAP。

2 复现YOLOV2

事实上，YOLOv2最大的变化就在于有效地引入了anchor box机制。因此，后续复现YOLOv2的主要就是引入anchor box机制(不引入reorg操作)。引入anchor box机制后，一个网格中有多个anchor box，那么正样本的选择就发生了很大的变化，其他诸如数据读取、数据预处理、数据增强等与之前实现的YOLOv1几乎一致。

精彩内容

 您阅读本篇文章共花了：