轉載：https://blog.csdn.net/zfq740695564/article/details/79754578
yolo系列整理

版本作者主頁程序論文

yoloV1	點擊打開	點擊打開	點擊打開
yoloV2	點擊打開	點擊打開	點擊打開
yoloV3	點擊打開	點擊打開	點擊打開

改進

V2 VS V1:

增加BN層：

• 解決問題：每層的輸入分布一直在改變，訓練難度增加；
• 采取措施：在每層卷積層后，添加batch normalization；
• 改進效果：
  1.mAP獲得了2%的提升；
  2.規范化模型，可以在舍棄dropout優化后依然不會過擬合；
  ##High Resolution Classifier
• 解決問題：由于現有的特征提取網絡局限，導致圖片被resize到不足256 * 256，導致分辨率不夠高，給檢測帶來困難；
• 采取措施：
  1.提高分辨力到448 * 448；
  2.改變原來特征網絡的輸入分辨率，在ImageNet數據集上對分類網絡進行fine tune訓練10輪（10 epochs），使得網絡適應高分辨率的輸入；然后，對檢測網絡進行fine tune。
• 改進效果：mAP獲得了4%的提升；
  ##Convolutional With Anchor Boxes
• 解決問題：全連接層的數據完成邊框的預測，導致丟失較多的空間信息，定位不準；
• 采取措施：
  1.借鑒了Faster R-CNN中的anchor思想
  2.在卷積特征圖上進行滑窗操作，每一個中心可以預測9種不同大小的建議框。
  3.去掉了后面的一個池化層以確保輸出的卷積特征圖有更高的分辨率；
  4.縮減網絡，輸入分辨力為416416，使得輸出的feature map寬高為基數，產生一個center cell（大物體通常占據了圖像的中間位置），用一個中心cell預測大物體，否則就要用中間的4個cell來進行預測，有利于提高效率。
  5.卷積層降采樣（factor為32），輸入大小：416416；輸出大小：13*13
• 改進效果：召回率上升，準確率下降。
  1.改進后：預測13 * 13 * 9 = 1521個boxes，recall為88%，mAP為69.2%
  2.改進前：預測7 * 7 * 2 = 98個boxes，recall為81%，mAP為69.5%
  3.準確率只有小幅度的下降，而召回率則提升了7%。
  ##Dimension Clusters
• 解決問題：
  1.anchor boxes的寬高維度往往是精選的先驗框，如果一開始就選擇了更好的、更有代表性的先驗boxes維度，那么網絡就更容易學到準確的預測位置；
  2.傳統的K-means聚類方法使用的是歐氏距離函數，也就意味著較大的boxes會比較小的boxes產生更多的error，聚類結果可能會偏離；
• 采取措施：
  1.距離函數：error就和box的尺度無關
  
  聚類結果：扁長的框較少，而瘦高的框更多
  
• 改進效果：使用聚類方法，僅僅5種boxes的召回率就和Faster R-CNN的9種相當
  
  ##Direct location prediction
• 模型不穩定，尤其是在早期迭代的時候，大部分的不穩定現象出現在預測box的 (x,y)(x,y) 坐標上；
• 
  這個公式的理解為：當預測 tx=1tx=1，就會把box向右邊移動一定距離（具體為anchor box的寬度），預測 tx=?1tx=?1，就會把box向左邊移動相同的距離。
  符號含義：
  1.x是坐標預測值
  2.xa 是anchor坐標（預設固定值）
  3.x?是坐標真實值（標注信息）
  4.其他變量 y，w，h 以此類推，t 變量是偏移量；
  這個公式沒有任何限制，使得無論在什么位置進行預測，任何anchor boxes可以在圖像中任意一點結束。模型隨機初始化后，需要花很長一段時間才能穩定預測敏感的物體位置。
• 采取措施：
  1.采用預測相對于grid cell坐標位置的方法。
  2.13*13的grid，每個cell對應5個anchors box，每個anchors box對應5個值（分別是坐標和置信度），如下所示：
  
  (cx,cy)：這個cell距離圖像左上角的cell數；
  (pw,ph)：cell對應的anchors box的寬高；
  tx,ty 經sigmod函數處理過，取值限定在了0~1，實際意義就是使anchor只負責周圍的box，有利于提升效率和網絡收斂。
  e的冪函數是因為前面做了 lnln 計算；
  σ(tx)：bounding box的中心相對柵格左上角的橫坐標；
  σ(ty)：bounding box的中心相對柵格左上角的縱坐標；
  σ(to)是bounding box的confidence score。
• 改進效果：定位預測值被歸一化后，參數就更容易得到學習，模型就更穩定。使用Dimension Clusters和Direct location prediction這兩項anchor boxes改進方法，mAP獲得了5%的提升。

創新

將目標檢測作為回歸問題，實現end-to-end訓練和檢測。
#V3
##改進
多尺度檢測 改動基礎分類網絡和分類器

添加多尺度預測：將深層特征上采樣后，與淺層特征融合，分別形成多個尺度，輸出featuremap進行檢測，每個尺度對應3中不同大小的anchor，負責預測不同大小的目標。
尺度1：在基礎特征網絡后添加幾層卷積層后，再輸出box信息，負責預測較大目標
尺度2：從尺度1網絡的倒數第二層2倍上采樣后與最后一個1616大小的featuremap相加，再通過幾層卷積層后，輸出box，相比尺度1變大size變大兩倍，負責預測中等大小的目標。
尺度3：與尺度2類似，使用3232大小的featuremap作為輸出，負責預測較小目標。

對比

1.與RCNN和Fast RCNN對比：yolo沒有求取proposal region，而RCNN系列需要通過selective research提取候選框，導致訓練過程分為多個階段完成。
與Faster RCNN對比：盡管用RPN 網絡代替selective research，將RPN集成到Fast RCNN中，形成了一個統一的網絡，實現卷積層參數的共享。但是在訓練過程中還是需要反復訓練RPN和Fast RCNN網絡。
因此RCNN系列的檢測，都屬于two-stage策略。
2.YOLO通過一次inference，同時得出目標位置和分類scores，而RCNN系列將目標檢測任務分成：檢測和回歸。
#基礎網絡
仿ResNet, 與ResNet-101或ResNet-152準確率接近,但速度更快.


##邊框預測
仍采用之前的logistic方式:
KaTeX parse error: Expected group after '\begin' at position 68: …ition 7: \begin{???a?l?i?g?n?}? b_…
其中：
$cx,cycx,cy{c}_x,c_y$λnoobj實現兩者之間對梯度平衡作用。
3.含有object的bbox的confidence loss (上圖紅色框) 和類別的loss （上圖紫色框）的loss weight正常取1。
4.**不同大小box對IoU影響：**對不同大小的bbox，相同的偏離，大bbox對IOU的影響若于小box。通過sum-square error loss對該問題進行緩和。
調整的目標：相同的偏離，增強對小bbox的IOU的影響，減弱打的bbox的IOU的影響。為了緩和這個問題，作者用了一個巧妙的辦法，就是將box的width和height取平方根代替原本的height和width。 如下圖：small bbox的橫軸值較小，發生偏移時，反應到y軸上的loss（下圖綠色）比big box(下圖紅色)要大。
如下圖所示：

每個grid有多個boxes，最終的結果，采用IoU最大的box predictor預測，因此，不同box之間存在競爭，因此，隨著訓練輪數的增加，特定box predictor越來越好的，負責預測不同尺寸的物體。

#參考網址
YOLO詳解
圖解YOLO
YOLOv1論文理解
目標檢測網絡之 YOLOv3
darknet+win+linux接口
yolov3論文解析

</div><link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-258a4616f7.css" rel="stylesheet"></div>

總結

以上是生活随笔為你收集整理的深度学习算法-YOLO的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。