📌  相关文章
📜  YOLO v2 – 物体检测

📅  最后修改于: 2022-05-13 01:58:08.322000             🧑  作者: Mango

YOLO v2 – 物体检测

在速度方面，YOLO 是物体识别中最好的模型之一，能够以高达150 FPS的速率识别物体并处理帧，适用于小型网络。然而，就精度 mAP 而言，YOLO 不是最先进的模型，但在 PASCAL VOC2007 和 PASCAL VOC 2012 上训练时具有相当不错的63%平均精度(mAP)。然而，Fast R-CNN 是状态当时艺术的 mAP 为71% 。

YOLO v2 和 YOLO 9000 是由 J. Redmon 和 A. Farhadi 于 2016 年在题为YOLO 9000: Better, Faster, Stronger 的论文中提出的。在67 FPS 时，YOLOv2 的 mAP 为 76.8%，而在67 FPS 时，它在 VOC 2007 数据集上提供了78.6%的 mAP，优于Faster R-CNN和SSD 等模型。 YOLO 9000 使用 YOLO v2 架构，但能够检测 9000 多个类。然而，YOLO 9000 的 mAP 为19.7% 。

让我们看一下 YOLO v2 的架构和工作方式：

与 YOLOv1 的架构变化：
与 Fast R-CNN 等最先进的方法相比，之前的 YOLO 架构存在很多问题。它犯了很多定位错误，召回率很低。所以，本文的目标不仅是改善YOLO的这些缺点，还要保持架构的速度。在基本 YOLO 中进行了一些增量改进。让我们在下面讨论这些变化：

Darknet-19 简化版

  • 批量标准化：
    通过在架构中添加批量归一化，我们可以增加模型的收敛性，从而加快训练速度。这也消除了在不过度拟合的情况下应用其他类型归一化（例如 Dropout）的需要。还观察到，与基本 YOLO 相比，单独添加批量标准化会导致 mAP 增加2% 。
  • 高分辨率分类器：
    之前的YOLO版本在训练时使用224*224作为输入尺寸，但是在检测时，它需要一个尺寸为448*448的图像。这会导致模型调整到新的分辨率，从而导致 mAP 降低。
    YOLOv2 版本在 ImageNet 数据上以更高分辨率(448 * 448)训练10 个时期。这使网络有时间调整过滤器以获得更高的分辨率。通过对 448*448 图像大小的训练，mAP 增加了4% 。
  • 使用锚框作为边界框：
    YOLO 使用全连接层来预测边界框，而不是像 Fast R-CNN、Faster R-CNN 那样直接从卷积网络预测坐标。
    在这个版本中，我们移除了全连接层，而是添加了锚框来预测边界框。我们对架构进行了以下更改：

    具有超过 1 个锚点的边界框（将提供更准确的定位）



    • 我们移除了负责预测边界框的全连接层，并将其替换为锚框预测。

      去除层的 YOLOv1（填充红色）

    • 我们将输入的大小从448 * 448更改为416 * 416 。当我们对它进行 32 倍下采样时，这会创建一个大小为13 * 13的特征图。这背后的想法是物体很有可能位于特征图的中心。
    • 去掉一层池化层得到13*13的空间网络而不是7*7

      随着这些变化，模型的 mAP 略有下降（从69.5% 到 69.2 %），但召回率从81% 增加到 88% 。

      每个对象提议的输出

  • 维度集群：
    我们需要确定生成的锚点（先验）的数量，以便它们提供最佳结果。现在我们把它当作 K。我们的任务是为具有最大精度的图像识别 top-K 边界框。为此，我们使用 K-means 聚类算法。但是，我们不需要最小化欧几里德距离，而是最大化 IOU 作为该算法的目标。
    YOLO v2 使用 K=5 来更好地权衡算法。我们可以从下图中得出结论，当我们增加 K=5 的值时，准确率不会发生显着变化。
    K = 5上基于 IOU 的聚类给出了61% 的mAP。

    维度集群（每个锚点的维度数）vs mAP

  • 直接定位问题：
    先前版本的 YOLO 对位置预测没有限制，这使得它在早期迭代中不稳定。 YOLOv2预测5个参数（T X，T Y，T W，T H，T O（对象性得分）），并应用所述Σ函数约束在0和1之间的其值下降。


    这种直接位置约束使 mAP 增加了5%。
  • 细粒度特征：
    生成13 * 13 的YOLOv2 足以检测大型物体。然而，如果我们想检测更精细的对象，我们可以修改架构，使前一层26 * 26 * 512的输出变为13 * 13 * 2048并与原始13 * 13 * 1024输出层连接，使我们的输出层大小.
  • 多尺度训练：
    YOLO v2 已经在320 * 320到608 * 608 的不同输入尺寸上进行了训练，步长为32 。这种架构每10 个批次随机选择图像尺寸。可以在精度和图像大小之间建立权衡。例如，图像大小为288 * 288 的YOLOv2 在90 FPS 下提供的 mAP 与 Fast R-CNN 一样多。

建筑学：
YOLO v2 在 VGG-16 和 GoogleNet 等不同架构上进行了训练。该论文还提出了一种名为 Darknet-19 的架构。选择 Darknet 架构的原因是它的处理要求低于其他架构5.58 FLOPS （相比之下，VGG-16 上的224 * 224图像大小为30.69 FLOPS ，定制 GoogleNet 中为8.52 FLOPS ）。 Darknet-19的结构如下：

出于检测目的，我们替换了该架构的最后一个卷积层，而是每1024 个过滤器添加三个3 * 3卷积层，然后使用我们需要检测的输出数量进行1 * 1卷积。

对于 VOC，我们预测了 5 个具有 5 个坐标（t x 、 t y 、 t w 、 t h 、 t o （目标分数））的框，每个框有20 个类别。所以过滤器的总数是 125。

Darknet-19 架构

Darknet-19 架构

训练：
YOLOv2 的训练有两个目的：

  • 对于分类任务，模型在 ImageNet-1000 分类任务上训练160 个时期，起始学习率为 0.1 ，权重衰减为 0.0005 ，动量为 0.9，使用 Darknet-19 架构。有一些标准的数据增强技术应用于此训练。
  • 为了检测，我们在上面讨论的 Darknet-19 架构中进行了一些修改。该模型在起始学习率 10 -3 、权重衰减 0.0005和动量 0.9上训练了 160 个时期。用于在 COCO 和 VOC 上训练模型的相同策略。

结果和结论：

不同对象检测框架的结果


YOLOv2 在 PASCAL VOC 和 COCO 上提供了最先进的检测精度。它可以在不同的大小上运行，提供速度和准确性之间的权衡。在 67 FPS 时，YOLOv2 可以提供 76.8 的 mAP，而在 40 FPS 时，检测器的准确度为 78.6 mAP，优于模型状态（例如 Faster R-CNN 和 SSD），同时运行速度明显快于这些模型。

不同物体检测的速度与准确度曲线


该模型也是 YOLO9000 模型的基础，该模型能够实时检测 9000 多个类别。

参考：

  • YOLO9000：更好、更快、更强