建设门户网站需要注意什么意思,中文 wordpress 主题,什么软件可以做网站,ui设计与制作为更好理解YOLOv2模型#xff0c;请先移步#xff0c;了解YOLOv1后才能更好的理解YOLOv2所做的改进。 前情回顾#xff1a;【目标检测系列】YOLOV1解读_怀逸%的博客-CSDN博客 背景 通用的目标检测应该具备快速、准确且能过识别各种各样的目标的特点。自从引入神经网络以来请先移步了解YOLOv1后才能更好的理解YOLOv2所做的改进。 前情回顾【目标检测系列】YOLOV1解读_怀逸%的博客-CSDN博客 背景 通用的目标检测应该具备快速、准确且能过识别各种各样的目标的特点。自从引入神经网络以来检测框架已经变得越来越块和准确但是受限于数据集规模的大小检测方法仍被限制在小部分目标中。 目标检测数据集标注难度远大于分类任务常见数据集的规模包含几千到数十万张图象有几十到几百个标签和分类任务数以百万计的图像及数十万的类别相比远远不足。我们是希望检测能够达到目标分类的水平。 因此本文的主要工作就是在YOLOV1的基础上进行改进提出了YOLOv2。并提出了一种联合训练方法在ImageNet的9000多个类别以及COCO的检测数据集上训练一个能够检测9000种类别的模型YOLO9000。 下面是具体的改进措施从更好、更块、更强三个方向进行改进 更好 Batch Normalization——批量归一化 通过在YOLO的所有卷积层上添加BatchNorm我们在mAP上的到了2%的改善。BatchNorm也有助于规范化模型可以在舍弃dropout优化后依然不会过拟合。 Batch Normalization 原理解释 High Resolution Classifier——高分辨率分类器 16年的时候分类任务的发展速度远超于目标检测任务因此在当时的背景下所有最先进的目标检测方法都是使用在ImageNet上预训练的分类器作为预训练模型然后迁移到目标检测任务中使用目标检测数据集进行微调。但是在最初的时候像是AlexNet这样的分类器都是在分辨率小于256*256的输入图像上进行运行的。 因此在YOLOV1版本中是先使用分辨率为224*224的分类器作为预训练模型然后迁移到目标检测领域使用448*448的完整分辨率进行微调。 YOLOv2对此的改进是是先在ImageNet数据集中以448*448的分辨率对分类网络进行微调微调后的网络能够完成448*448分辨率图像的分类任务最后将微调好的分类器迁移到目标检测任务中。 概括就是YOLOv1使用224*224的分类器直接迁移到448*448的目标检测任务中。YOLOv2是先将分类器微调成448*448,然后再迁移到目标检测任务中。 最终效果mAP增加4% Convolutional With Anchor Boxes——带有Anchor Boxes的卷积 Anchor: Anchor(先验框)就是一组预设的边界框可以由横纵比和边框面积来定义代表了开发人员凭借先验知识认为的待检测物体的形状大小。相当于开发人员凭借先验知识设计若干的Anchor在可能的位置先将目标框出来然后再在这些Anchor的基础上进行调整。 一个Anchor Box可以由边框的横纵比和边框的面积来定义至于位置一般不需要定义目标可能出现在图像的任意位置因此Anchor Box通常是以CNN提取到的Feature Map的点为中心位置按照预设大小生成边框。 下面来说一下YOLOv1中存在的问题YOLOv1中每个cell存在B个框只能预测一个类别因此对小尺度的图像效果不佳同时YOLOv1在训练过程中学习适应同一物体的不同形状是比较困难的这也导致了YOLOv1在精确定位方面表现较差。之所以这样是因为YOLOv1直接使用全连接层来预测边界框要知道全连接层需要固定大小的输入这也就导致了YOLOv1难以泛化到不同的尺度。 为此YOLOv2删掉了全连接层和最后一个Pooling层使得最后卷积层可以有更高分辨率的特征同时将网络的输入分辨率降为416*416 使用416*416而不是448*448的原因是因为YOLOv2下采样步长为32对于416*416的图片特征图为13*13奇数给位置确保在特征图正中间会存在一个中心单元格大多数图像中目标往往会占据图像中间位置 同时YOLOv2的输出含义也发生变化 YOLOv1输出S*S*(B*5C) YOLOv2输出S*S*(B*5C) 不再是每个cell只能预测一个类别而是每个box能单独预测一个类别 Dimension Clusters——维度聚类K-means聚类确定Anchor初始值 如果想要在YOLO中使用锚框需要解决两个问题第一个问题锚框的尺寸应该如何选择总不能每次都要开发人员去手动设计吧这与YOLO的设计初衷不符。针对这个问题具体的结局方案就是使用K-means聚类方法自动找到较好的训练参数。 具体来说就是针对训练集中的真实框做K-means聚类算法自动找到符合该训练集的锚框尺寸。同时针对K-means算法做了一点改进使其更加符合目标检测算法的需求。具体来说如果像标准K-means算法中一样使用欧氏距离的话大的锚框会比小的锚框产生更多的误差因此希望关于距离的度量与框的大小无关所以采用交并比替换欧氏距离距离度量公式改为d(box, centroid) 1 - IOU(box, centroid) Direct location prediction——直接的位置预测 需要解决的第二个问题模型的不稳定。基于Anchor的方法再回归锚框时并非直接得到最终坐标实际上真正需要学习的是目标与预设Anchor的坐标偏移量下面是公式 预测框中心坐标 输出的偏移量×Anchor宽高Anchor中心坐标偏移量才是要学习的内容。这也就导致了一个问题因为目标可能会出现在图像中的任意位置在随机初始化的条件下模型需要很长时间才能稳定的预测到合理的便宜量。 解决这个问题的办法就是,将预测边界框的偏移量由全图偏移量改成对象cell的左上角的相对偏移量将预测框的偏移范围控制在每个cell中做到每个Anchor只负责检测周围正负一个单位内的cell。这样可以使模型训练更加稳定。 Fine-Grained Features——细粒度的特征 YOLOv2使用13*13的特征图进行检测虽然检测大的目标够用了但是对于较小的对象来说更细粒度的特性可能会使得检测效果更好。 与Faster R-CNN等使用多尺度的特征图不同YOLOv2简单的增加了一个直通层获得前层26*26分辨率特征。 具体操作前层26*26分辨率特征图拆分成4块沿通道拼接到13*13的特征图中 Multi-Scale Training——多尺度训练 YOLOv1固定448*448的分辨率作为输入上面加入锚框操作后我们将分辨率改成了416*416操作。在实际的应用中我们需要先将图片放缩到416*416的固定大小才可以保证网络正确检测到目标。但是我们希望YOLOv2能够鲁棒的运行在不同尺寸的图像中不要对数据进行放缩处理。 解决方案是利用YOLOv2只使用了卷积和池化层的特点这意味着输入图像的大小并不会影响模型的正常运行。因此具体做法就是网络训练过程中每隔10个epoch就随机一个新的尺寸的图像作为输入训练这样整个训练流程下来模型见到过各种尺寸的输入自然能在不同尺寸在正常执行检测任务。由于模型的下采样采用了32倍那么训练模型所用的图像分辨率就从{320352。。。608}等中选择。 更快 除了检测更加准确之外我们还希望能够以更快的速度运行具体方法在本文中新提出了一个Darknet-19的网络 在YOLOv1中用的是GooLeNet(4个卷积层和2个全连接层)YOLOv2改用Darknet-19(19个卷积层和5个maxpooling层) 在YOLOv1中最后使用全连接层将7*7*1024的特征图变成7*7*30的特征图但是这种变化完全可以通过卷积实现从而大幅度减少参数量。 更强 作者提出了一种对分类和检测数据进行联合训练的机制。在此之前先介绍下YOLOv2和YOLO9000的区别 YOLOv2:是在YOLOv1的基础上进行改进特点是“更好、更快、更强” YOLO9000:主要检测网络也是YOLOv2同时使用联合优化技术进行训练最终使得YOLO9000的网络结构允许实时的检测超过9000种物体分类进一步缩小了检测数据集和分类数据集之间的大小代沟。 具体方法 输入的图片若为目标检测标签的则在模型中反向传播目标检测的损失函数输入的图片若为分类标签的则反向传播分类的损失函数 这样做的原理是因为虽然目标检测的数据集规模相对较小但其实已经能够覆盖大多数物体的形状例如猫科动物中狮子、老虎、豹子等体型类似检测模型能够检测出这些物体所在的位置缺乏的只是进一步分类的能力。而分类数据集要丰富得多关于类别的标准要远远超过检测数据集。 综上检测数据集可以为绝大多数物体提供位置信息但缺少细分类的能力分类数据集为更多物体提供最准确的类别信息但缺少位置信息二者结合则得到了YOLO9000 论文链接https://arxiv.org/abs/1612.08242 源码地址mirrors / alexeyab / darknet · GitCode 参考内容【YOLO系列】YOLOv2论文超详细解读翻译 学习笔记_路人贾ω的博客-CSDN博客
