当前位置：首页 > news >正文

YOLO-V2 （学习记录）

news 来源：原创 2025/6/5 10:21:31

一、记录YOLO-v2 的处理流程步骤

二、优势与不足

三、细节分析

1.候选框K-means计算细节

2.网络输出

3.损失函数（Loss Function）

学习之前，需要补充下论文中提到知识点。

1.什么是Batch Normalization

参考博文：Batch Normalization 的原理-CSDN博客

2. 什么是K-means聚类算法

参考博文：K-means聚类算法--原理及代码-CSDN博客

3.Darknet-19模型

参考博文：Darknet-19 模型结构-pytorch代码-CSDN博客

4.Faster RCNN

参考博文：一文读懂Faster RCNN（大白话，超详细解析）-CSDN博客

核心组成部分：

1️⃣ Backbone

通常是卷积神经网络（如 VGG16、ResNet）作为特征提取器。
输出高维度的 feature map。

2️⃣ Region Proposal Network (RPN)

从 backbone 的特征图中生成一系列候选框（Region Proposal，即 ROI）。
RPN 是一个小型的全卷积网络，预测每个 anchor box 的 foreground/background 分类（2类）和坐标回归偏移（4维）。

3️⃣ ROI Pooling / ROI Align

将 RPN 提供的候选框映射到特征图中，并通过池化或对齐操作，统一成固定大小的特征表示。

4️⃣ Fast R-CNN Head

对每个 ROI 特征做全连接层分类（多类别）+ 边框回归。
最终输出检测框和类别。

关键创新：

RPN 提速：相比原先用 Selective Search 的 RCNN/Fast-RCNN，RPN 通过 end-to-end 训练自动生成 proposal，显著加快检测速度。
共享特征：Backbone 特征在 RPN 和 Fast R-CNN head 之间共享，避免重复计算。

一、记录YOLO-v2 的处理流程步骤

1️⃣ 输入阶段

输入图像：将原图 resize 到网络输入尺寸（例如 416×416）。
YOLOv2 支持 多尺度训练，训练时输入尺寸在 320~608 之间随机选择（32 倍数）。
通道数通常是 3（RGB 彩色图像）。

2️⃣ 主干网络特征提取

骨干网络：Darknet-19
- 包含 19 层卷积层 + 5 层最大池化层。
- 激活函数：Leaky ReLU（0.1）。
- 作用：提取语义特征。
特征提取的输出：
- 输入 416×416 → 输出 13×13×1024
- 因为下采样了 32 倍（5 层池化，2×2，每次降一半）。

3️⃣ 细粒度特征融合（passthrough layer）

选取浅层特征图（26×26×512）。
通过 space-to-depth 操作（2×2 块像素重排到通道维度），变换为 13×13×2048。
将这个细粒度特征与深层特征图（13×13×1024）在通道维度拼接，形成 13×13×3072 的特征图。

细节：

这样做可以保留更多小目标细节，提升小目标检测性能。

4️⃣ 检测头（检测层）

卷积降维：通过一个 3×3 卷积层，将通道数从 3072 降到 1024，再通过一个 1×1 卷积输出 13×13×125。
125 = 5×(4 + 1 + 20)，其中：
- 5：每个 cell 预测 5 个 anchor box
- 4：框回归参数 (tx, ty, tw, th)
- 1：置信度（objectness score）
- 20：PASCAL VOC 20 类的类别概率（C=20）

5️⃣ Anchor Box 机制

论文中引入 anchor box（先验框），类似 Faster R-CNN 中的 anchor。
通过 K-means 聚类 在训练集的 GT box 上生成 5 个 anchor（w, h）。
在检测层，每个 cell 负责预测 5 个 anchor box。

6️⃣ 输出预测

输出是一个 13×13×125 的特征图：
- 每个 cell 对应 5 个 anchor box。
- 每个 anchor box 预测 (tx, ty, tw, th, objectness, 20×class scores)。

7️⃣ 预测框参数解码

在得到预测结果后，需要将它解码成实际的边界框坐标：

其中：

(cx,cy)：cell 左上角坐标
(pw,ph)：anchor box 的宽高
σ(⋅)：sigmoid 函数，确保中心偏移在 0~1 之间
预测框坐标再映射回到原图像空间

8️⃣ 后处理（NMS）

生成所有预测框后，应用 非极大值抑制（NMS），过滤掉冗余框，保留最终的检测结果。

流程总结图示

输入图像（416×416×3）↓
Darknet-19 特征提取↓
浅层特征 passthrough 融合↓
特征拼接（13×13×3072）↓
卷积降维输出（13×13×125）↓
anchor box 解码 → 得到候选框↓
类别 softmax（或 sigmoid）得到概率↓
NMS → 输出最终检测框

🟩 YOLOv2 主要改进点总结

anchor box：K-means 生成 5 个 anchor。
细粒度特征融合：passthrough 层，保留小目标细节。
多尺度输入训练：每隔 10 个 batch，随机换输入尺寸。
更深更快的骨干网（Darknet-19）：19 层卷积，轻量高效。
全卷积结构：输入大小可变，推理灵活。

YOLOv2 相比 YOLOv1 改进点总结

改进点	YOLOv1	YOLOv2 改进
Anchor Boxes	无（直接回归）	引入 Anchor Boxes
骨干网络	GoogLeNet	Darknet-19，轻量化+BN
预测方式	直接回归坐标	预测 anchor 的坐标偏移
多尺度训练	无	有
输入分辨率	固定	动态调整多尺度
召回率和小目标检测能力	差	提升显著

二、优势与不足

优势：

速度快：单阶段检测，适合实时应用（如视频监控）。
精度提升：mAP较YOLOv1显著提高（VOC 2007上从63.4%到78.6%）。
多尺度适应性：支持不同分辨率输入。

不足：

对小目标和密集目标的检测仍弱于两阶段方法（如Faster R-CNN）。
YOLOv2的联合训练在实际检测任务中泛化能力有限。

三、细节分析

1.候选框K-means计算细节

论文中的候选框是通过K-means计算得到的，这个过程用于计算的输入框是什么？距离是怎么表示的？

YOLOv2 中的 K-means 聚类是对 训练集标注的目标框（ground truth boxes） 做的。

在 YOLOv2 中，作者提出使用 K-means 对真实目标框进行聚类，以找到更合适的 anchor box 尺寸。目的是让 anchor box 更贴近数据集中的实际目标大小和长宽比例，从而提高模型的召回率和检测精度。

🎯 聚类的对象：

对象：所有 训练集中的 ground truth 边界框（ground truth bounding boxes）。
维度：每个框的宽度和高度 (w, h)。

📦 具体流程：

1️⃣ 从训练集提取所有标注的目标框，得到其宽度和高度：

2️⃣ 采用 K-means 聚类对这些 (w, h) 进行分组。

注意：YOLOv2 用的不是欧几里得距离，而是 1 − IOU 作为距离度量。
这样可以避免因为大目标的宽高差异太大而导致聚类效果不好，直接用 IOU 作为相似度，更符合检测目标。

公式推导（距离计算）

对于两个边界框(w1, h1)和(w2, h2)：

交集面积：
并集面积：

IoU距离：

3️⃣ 聚类完成后，得到 K 个聚类中心：

这里和标准的 k-means 思路相同，区别在于距离度量。更新中心点时，仍然是对每个簇内的宽高求平均：

其中：

n_k：第 k 个簇中的样本数。
(w_i, h_i)：簇中每个样本的宽高。

这些中心就作为最终的 Anchor Box 尺寸。

💡 为什么这样做？

如果 anchor box 的形状和真实目标差异太大，网络需要学到很大的回归偏移量，学习难度增大。
K-means 聚类后的 anchor box 更贴合实际分布，模型只需学习相对较小的偏移量，效果更好。

例如：

如果你的数据集里主要是长条形物体，直接使用 YOLOv1 中的固定 anchor box 可能不合适。
使用 k-means 后，anchor box 的形状更贴合，模型训练更高效。

📝 具体流程小结：

1. 从所有 GT 框中收集 (w, h) 数据。
2. 随机选择 5 个中心点 (w, h)（初始化）。
3. 对所有框，计算和 5 个中心的 1 - IOU 距离，分配到最近的中心点簇。
4. 对每个簇，重新计算中心点：对簇内所有样本 (w, h) 均值。
5. 重复 3、4 直到收敛（或者迭代次数达到设定值）