YOLO9000是YOLO的第三個版本。前兩個版本是YOLO v1，YOLO v2，在CVPR2017的文章《Better,Faster,Stronger》中的前半部分都是對前兩個版本的介紹，新的內(nèi)容主要在Stronger部分。YOLO9000中的9000指的是YOLO可以對超過9000種圖像進行分類。

Better

使用Batch normalization有利于收斂和正則化，甚至可以從網(wǎng)絡(luò)中移除dropout。Batch normalization實質(zhì)是對數(shù)據(jù)歸一化處理。使每批數(shù)據(jù)發(fā)布相同，最好是獨立同分布，這樣神經(jīng)網(wǎng)絡(luò)才能更好地學習。

High Resolution Classifier

大多數(shù)算法使用在ImageNet上預訓練pre-trained的分類器。大多數(shù)使用AlexNet模型的分類器工作在分辨率小于256x256的圖片上。初始版本的YOLO先在224x224大小的圖像上訓練分類器網(wǎng)絡(luò)，然后再將分辨率提升到448x448，這意味著網(wǎng)絡(luò)必須在檢測的時候重新根據(jù)分辨率調(diào)整。在YOLOv2中，對分類網(wǎng)絡(luò)就開始在10 epochs內(nèi)使用448x448的圖像對網(wǎng)絡(luò)訓練，這樣濾波器就有時間調(diào)整參數(shù)。在檢測階段再在此基礎(chǔ)上進行優(yōu)化。

Convolutional with Anchor Boxes

YOLOv1是直接從全連接層中預測the coordinates of bounding boxes。而Faster R-CNN中的RPN只使用卷積層就預測了offsets 偏移and confidences置信度 for anchor boxes.再加上手動選擇的先驗hand-picked priors，就可以預測bounding boxes。所以作者就去掉了YOLO的全連接層，并使用anchor boxes來預測bounding boxes。去掉一層池化層，使得輸出的分辨率更高。把448x448的分辨率再調(diào)整為416x416，這次分辨率降低了，為的是輸出得到的特征圖feature map的網(wǎng)格是奇數(shù)，確保目標物體只對應在單一的方格內(nèi)。下采樣比例是32時，輸出特征圖尺寸就是13x13.

對于anchor boxes，還進行了解耦decouple。

對于每一個位置預測兩個box的情況，解耦后對每一個預測的box都包含了位置信息（5個參數(shù)：一個置信度，四個坐標信息），對一個box都給出了分類的條件概率（假設(shè)方框內(nèi)有物體），而解耦前只給了該位置的條件概率，這就是解耦的出處，條件概率不與空間位置有關(guān)，而與box有關(guān)。

YOLOv1劃分成7x7的網(wǎng)絡(luò)，每一個網(wǎng)格預測兩個box，所以每一幅圖預測7x7x2=98個box，而使用anchor boxes之后可以預測1000多個box。

Dimension Clusters

K-means聚類方法自動選擇先驗的box的尺寸。K取值為5，平衡了復雜度和高recall，將歐式距離改為一個新的衡量標準，使得box的尺寸和IOU無關(guān)。

Direct location prediction

在YOLO中使用anchor boxes會在早期迭代中遇到不穩(wěn)定的問題。任意box可能終止在圖像的任意位置。所以不再預測offsets（又不預測偏移量了？），改而預測相對于grid cell的相對位置坐標。這就要求預測的ground truth限制在（0,1），可以通過logistic activation達到這個要求。

對于剛才的疑問，我的理解是這樣的：對于box的長和寬是由相對于cluster centroids的offsets預測的，而對于box的中心坐標，是通過sigmoid函數(shù)預測相對于濾波器的坐標實現(xiàn)的。

Fine-Grained Features

簡單添加一個 passthrough layer，把淺層特征圖（分辨率為26*26）連接到深層特征圖。

passthroughlaye把高低分辨率的特征圖做連結(jié)，疊加相鄰特征到不同通道（而非空間位置），類似于Resnet中的identity mappings。

Multi-ScaleTraining

為了讓YOLOv2對不同尺寸圖片的具有魯棒性，每經(jīng)過10批訓練（10 batches）就會隨機選擇新的圖片尺寸。網(wǎng)絡(luò)使用的降采樣參數(shù)為32，于是使用32的倍數(shù){320,352，…，608}，最小的尺寸為320*320，最大的尺寸為608*608。 調(diào)整網(wǎng)絡(luò)到相應維度然后繼續(xù)進行訓練。

Faster

大多數(shù)檢測框架使用的是VGG-16，但是計算量大，對于224x224大小的圖像，傳輸一次需要30.69billion次浮點運算。YOLO使用了Googlenet，需要8.52billion次運算，速度更快但是準確度降低。作者提出了一種新的分類模型：Darknet-19. Darknet-19借鑒了VGG中的3x3濾波器和double池化層之后的通道數(shù)。借鑒了NIN中的全局平均池化global average pooling以坐預測，借鑒了NIN中的1x1濾波器壓縮3x3卷積之間的特征表示。Darknet-19有19個卷積層和5個最大池化層maxpooling layers，模型的細節(jié)（每層的尺寸）可以可以從表6中看到。Darknet-19只進行5.58billion次運算。

有了模型，就要使用樣本數(shù)據(jù)進行訓練。對于分類，使用的數(shù)據(jù)集是ImageNet 1000，學習方法是隨機梯度下降，訓練時長是160epochs。訓練過程中還使用了數(shù)據(jù)增強。正如前文提到的，初始訓練在224x224的圖像上，然后再在448x448的圖像上作調(diào)整，調(diào)整時間為10epochs，并且學習率也做了調(diào)整。

對于訓練檢測，去掉原網(wǎng)絡(luò)最后一個卷積層，增加了三個 3 *3 （1024 ?lters）的卷積層，并且在每一個卷積層后面跟一個1*1的卷積層，輸出維度是檢測所需數(shù)量。訓練的數(shù)據(jù)集是VOC，預測5種boxes，每個box包含5個坐標值和20個類別，所以總共是5*（5+20）= 125個輸出維度。在最終的3x3x512層到倒數(shù)第二second to last卷積層之間加了passthrough，使得模型有了細粒度特征。除了在VOC上訓練，還在COCO上進行訓練，具體的策略見論文。

Stronger

這個Stronger指的是YOLOv3可以檢測更多的物體。將帶box信息的檢測數(shù)據(jù)集用來學習預測box和目標信息，利用只包含類別標簽的分類數(shù)據(jù)集用來擴展分類的能力。區(qū)別在于反向傳播的函數(shù)是全部包含還是只包含分類部分。

分類數(shù)據(jù)集如ImageNet的標簽分類信息更詳細，對dog就有不同的品種。所以為了將檢測和分類數(shù)據(jù)集的類別信息融合起來，需要建立一個層次式的結(jié)構(gòu)，基于圖graph結(jié)構(gòu)WordNet改動得到，這就是WordTree。WordTree是由WordNet而來的，先添加那些在wordNet中離根結(jié)點更近的點，這樣使得WordTree增長得盡可能慢。這樣，每一層之間是同義詞，不同層之間的關(guān)系可以用條件概率表示。沿著的根結(jié)點的路徑條件概率的相乘就可以得到絕對概率。

我們ImageNet中的1000個類別按照這種方法構(gòu)建成WordTree，因為還有一些中間結(jié)點，所以最終的類別數(shù)是1369.訓練時，會將當前標簽及其直至根結(jié)點的所有標簽都傳播。這樣會預測出一個1369長度的向量，在判決時，對同一組語義下的互斥關(guān)系的詞條使用softmax，而不是對所有詞語使用softmax。

這僅僅是驗證說明這種聯(lián)合數(shù)據(jù)集的方法是可行的，于是作者將ImageNet中的前9000個類別和COCO檢測數(shù)據(jù)集聯(lián)合起來，為了評估我們使用的方法，也從ImageNet detection challenge 中向整合數(shù)據(jù)集添加一些還沒有存在于整合數(shù)據(jù)集的類別。相應的WordTree有9418個類別。由于ImageNet是一個非常大的數(shù)據(jù)集，所以通過oversampling COCO數(shù)據(jù)集來保持平衡，使ImageNet：COCO = 4：1。使用COCO來學習檢測，使用ImageNet學習到更多的類別。

學習好之后在ImageNet detection task上評估。ImageNet detection task與COCO有44個類別是相同的，說明測試數(shù)據(jù)大部分只有分類數(shù)據(jù)，沒有檢測數(shù)據(jù)。

翻譯參考：

https://blog.csdn.net/shadow_guo/article/details/54598458

https://blog.csdn.net/yudiemiaomiao/article/details/72636776

Demo

第一步是安裝網(wǎng)絡(luò)模型Darknet，為了支持更多的圖片類型，可以安裝OpenCV，為了使用GPU，可以安裝CUDA。但是作者網(wǎng)站給出的是Mac上的Linux版本。這是同時支持windows的版本https://github.com/AlexeyAB/darknet 這個repository forked from pjreddie/darknet，新支持了Windows，提升了各種性能，針對GPU等做了許多優(yōu)化。

解壓后的路徑build\darknet\x64\ 文件夾下面是一些cmd文件，用于初始化模型和展示一些檢測后的樣例。這些cmd文件的運行需要darknet.exe文件，所以第一步還是重新編譯文件。

如果有GPU，要安裝CUDA，CUDNN并注意路徑問題就行了。我的電腦不支持CUDA，所以直接編譯sln文件：build\darknet\darknet_no_gpu.sln, set x64 and Release, and do the: Build -> Build darknet_no_gpu。但是我的vs版本也不是官方要求的vs2015，報錯：error MSB8020: The build tools for v140 (Platform Toolset = 'v140') cannot be found，這是因為原來的程序運行在vs2015上而現(xiàn)在我們需要運行在vs2013上，解決辦法是把項目的屬性中的平臺工具集改為vs2013

即便這樣，因為官方首先推薦的OpenCV版本是3.0版本，而自己使用的是OpenCV2.4.13,其實即便是OpenCV3.0，路徑也不會和工程文件一樣，所以依然要更改工程屬性，添加附加包含目錄，修改附加庫目錄。

4.1 (right click on project) -> properties -> C/C++ -> General -> Additional Include Directories: C:\opencv_2.4.13\opencv\build\include

4.2 (right click on project) -> properties -> Linker -> General -> Additional Library Directories: C:\opencv_2.4.13\opencv\build\x64\vc14\lib

注意，這里4.2中的vc14是和vs2015對應的。當我們vs是2013的時候這里選擇vc12，實際上，OpenCV2.4.13默認只有vc12，要想支持其他編譯器一般要使用cmake重新構(gòu)建。

這時候會出現(xiàn)很多錯誤，需要一個個排查。錯誤信息淹沒在大量的warning信息中，可以在視圖view中直接查看錯誤列表error list。

這是我的錯誤，不知道到底哪里出錯了。在整個solution中搜索這個函數(shù)，好像沒有被使用到，直接注釋掉就編譯通過了。

但最好還是研究一下代碼。前綴0B（Binary）或者0b表示 二進制；

雙目運算符按位與，保留某些位，同時對某些位清零。A&000111100，對1對應的部分保留，0對應的部分會被清0.這里的代碼中n與二進制的1111作按位與，不清楚目的是什么，而且會報錯，將0b1111改為0xf即編譯通過。

參考overflow的解答，這段代碼的目的是將一個字節(jié)的比特倒序輸出。大致思想是將8bit分成高低高部分，每部分4bit，借助looup表，將高低4bit倒序后再交換。

這樣，編譯通過。darknet\build\darknet\x64文件夾下出現(xiàn)了darknet_no_gpu.exe，這是因為我選擇的是無GPU的版本，如果是標準版本應該是darknet.exe。這只是表明我們已經(jīng)得到了這個模型，但是還沒有開始訓練。YOLOv3和v2其實模型沒有改變，區(qū)別只是v3使用了聯(lián)合數(shù)據(jù)集進行了訓練。所以接下來如何訓練才是v2和v3的區(qū)別。

有了exe文件，同時有了config file for YOLO in the cfg，我們可以直接使用作者訓練好的網(wǎng)絡(luò)權(quán)重：下載yolov3.weights

鏈接1（百度云）：鏈接：https://pan.baidu.com/s/1OsuaURd2jjA9_fX50w651g 密碼：chmq

連接2（官網(wǎng)）：https://pjreddie.com/media/files/yolov3.weights

注：在Linux上，安裝網(wǎng)絡(luò)模型，安裝訓練好的參數(shù)，運行檢測器，都可以分別通過一行命令實現(xiàn)。而在Windows中，需要借助exe文件和cmd命令。

使用命令行可以一次監(jiān)測一張圖像，也可以不斷輸入圖像路徑監(jiān)測多張圖像，還可以檢測來自網(wǎng)頁的視頻webcam如YouTube，需要compile Darknet with CUDA and OpenCV。YOLo默認顯示置信度高于0.25的目標，當然可以自己更改這個閾值。對于一些有限制的環(huán)境，YOLO提供了Tiny YOLOv3，需要重新下載weights，將下載的weights放到x64文件夾下。

打開cmd，切換到E:\vscode\darknet-master(1)\darknet-master\build\darknet\x64路徑，

輸入cmd命令：darknet_no_gpu.exe detector test data\coco.data yolov3.cfg yolov3.weights

輸入測試圖像路徑：E:\vscode\darknet-master(1)\darknet-master\build\darknet\x64\data\horses.jpg

終于得到了這幅經(jīng)典的分類檢測結(jié)果圖。但是這是使用了作者預先訓練好的網(wǎng)絡(luò)簡單做了一個test。到自己訓練，自己建立模型還有很長的路要走。

つづく

Reference:

https://blog.csdn.net/amusi1994/article/details/80261735?from=singlemessage

?

總結(jié)

以上是生活随笔為你收集整理的YOLO9000的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。