文章目录
1.YOLO-V1回顾2.Abstract（摘要）3.Introduction（引言）4.Better(更准)（1）Batch Normalization.(BN,批归一)（2）High Resolution Classifier.(高分辨率的分类器)（3）Convolutional With Anchor Boxes.(带有锚的卷积)（4）Dimension Clusters.(维度聚类)（5）Direct location prediction. (直接预测位置)（6）Fine-Grained Features.（细粒度特征）（7）Multi-Scale Training.（多尺度训练）5.Faster（更快）Training for classification.（训练分类模型）6.Stronger (更强)7.思考anchor和bbox的区别：V1和V2版本的输出张量公式为何不同？8.小总结：YOLO系列:
yolov1精读yolov2精读yolov3精读
论文题目:YOLO9000:Better, Faster, Stronger
论文下载地址：/pdf/1612.08242.pdf
YOLO 9000就是YOLOV2，这个9000的含义是，YOLOV2模型能检测9000个种类。
1.YOLO-V1回顾
先将输入图片分成 S * S个网格，每一个网格叫做 grid cell。
训练阶段：
真实框的中心点落在那个grid cell里，就由那个grid cell所生成的B个bbox中与真实框IOU最大的那个框去负责拟合真实框。
每个grid cell还要预测20个类别（VOC数据集）的条件类别概率，然后整合+后处理(NMS等)，得到最后结果。
预测阶段：
直接将图片放到模型里(某种CNN)，模型输出7 * 7 * 30维的张量，然后进行后处理(NMS等)，最后可视化结果。
7 * 7 * 30的含义：
一开始画的 7 * 7 的 网格。每个网格有两个bbox，每个bbox里有 中心坐标x和y，还有框的w和h，再加一个置信度，所以一个bbox就有5个信息，每个grid cell有两个bbox就是10个信息，再加上20种类别，就是30个信息。
7 * 7 * 30公式化为：
公式：S * S * (5 * B + C)
其中 S是一开始网格的参数 比如yolov1中的7 *7 。
B是每个grid cell画多少个bbox。
C是数据集的类别有多少个。
在YOLO-V1中存在的缺点和局限：
对于密集物体和小物体的检测能力较差。定位精度较差。对大小框一视同仁。虽然快，但准确度不如当时的最好模型。
2.Abstract（摘要）
作者在摘要里说明了本篇论文分为两部分，
第一部分就是对yolov1的改进，最终效果是，可以很快但精度略低，可以很精准但速度略慢。
第二部分是对如何检测9000个物体的说明，用了一个联合训练的方法，使得yolov2可以检测出来原本没有标签的物体。
训练是在coco目标检测数据集和imagenet分类数据集，验证在imagenet目标检测数据集，这里有不同的三个数据集。
作者也放了一些检测的效果图：
我还去百度翻译了一下，左边识别出来的是german sheph erd(德国牧羊犬),
右边这个是siberian husky(西伯利亚雪橇犬)。这些物种在原本的训练集上是不存在的，只因用了联合训练的机制，让他识别出来了。而且识别的精度物种非常细化，好厉害啊。
不过在论文中展示的也是有错的，看下面这张图：
左边 rodent (啮齿动物)，右边vertebrate(脊椎动物)，右边是个螃蟹呀， 我去百度了一下，螃蟹是无脊椎动物，所以这里出错了还放在了论文中，不过这个也是比较难识别的，人都不一定知道，我还都是百度出来的哈哈。
不过按照这个作者的习惯，感觉9000种物体识别应该只是个发论文的噱头，毕竟在摘要里也提到了map只有20%不到。
3.Introduction（引言）
作者第一段提出了期望，相当于他的期望吧，一个通用的目标检测模型应该做到，速度快，准确度高，检测物体范围广，就是可以检测各个领域各种物体，而不是单一的局限比如人脸，猫。
作者在这一段提出了前人的不足，就是深度学习发展迅猛，精度和速度都开始稳步提升，但是对于可检测的物体还是比较少的。
引言第三段作者提出了他为什么要使用联合训练，就是摘要种所说的联合coco目标检测数据集和imagenet分类数据集，是因为目标检测当时的数据集比较小，相对于图像分类来讲。图像分类有几千万张，几万个类。而目标检测只有十万百万张，几千类。作者想自己标注一个新的大量的目标检测数据集，不过成本太大了，所以只能采用联合数据集训练方法。
4.Better(更准)
开头直接指出yolov1的缺点：
对小目标，密集目标检测能力比较差；定位能力比较差；将所有目标全部检测出(recall)的能力较差；
作者为了对 定位能力和检测出全部目标能力进行改进，提出了很多措施，下面来看看都有哪些。
（1）Batch Normalization.(BN,批归一)
BN我在之前读论文的时候详细的说过，这里就不再赘述了，可以看一下我整理的BN那一篇论文，【精读AI论文-BN】
这是一个普遍的常用技巧。BN是对每一个神经元的输出进行标准化，而不是对某一层输出整体标准化。
在yolov2的所有卷积层中都加入了BN(卷积-BN-激活)。加入后有2%的mAP提升。
（2）High Resolution Classifier.(高分辨率的分类器)
对于目标检测而言，图片分辨率高的话会让定位和识别分类更加精准，所以在yolo v1中，作者预训练时用的是imagenet分类数据集是224 * 224的，后面微调的时候将224 * 224 图片变成448 * 448的尺寸(目标检测)输入网络，这样改变尺寸，网络就要多重新学习一部分，会带来性能损失。
这块容易混，再简单说一下，v1中预训练使用的是分类数据集，大小是224 * 224 ，然后迁移学习，微调时使用yolo模型做目标检测的时候才将输入变成448 * 448。
作者在V2中改进，直接在预训练中输入的就是448 * 448的尺寸，微调的时候也是448 * 448。
这一个弥补措施提高了 4%的mAP。
说实话我觉得这是作者故意留的一手，这是非常容易想到的点，要不就是作者着急发论文，要不就是作者想第二年再继续发论文留的(手动狗头)。
（3）Convolutional With Anchor Boxes.(带有锚的卷积)
这个anchor机制我最早是在Faster R-CNN里看到的，在刚看yolov1的时候我就在想，grid cell生成的是不是 anchor，读到后面发现不是，在v1里生成的是 bounding boxes。
在yolov2中，一张图片分割成13 * 13 的网格，每个grid cell生成5个长度比例都定好的 anchor。也是通过IOU计算，选出来一个anchor产生的预测框去预测物体。
也就是每一个grid cell生成5个anchor，这5个anchor分别对应5个预测框，这些预测框要计算对应anchor的偏移量和置信度。
刚开始的anchor尺寸比例通过数据集分析聚类得到。
v1版本中每个grid cell 携带的是30个信息(whxy+置信度+分类数)，v2版本中每个grid cell携带的是 25 * 5 =125个信息，5就是5个anchor，25是 xywh+置信度+分类数。所以v1输出7 * 7 * 30 。v2输出 13 * 13 * 125(13 * 13 * 5 * 25)。
为了让模型更加稳定，并且v1中bbox存在尺度无限制问题，v2中做出了一些改进，让预测框的中心点约束在该grid cell内，而对于anthor则没有约束。
并且去掉了v1中的全连接层。
去掉池化层，让输出的分辨率更高，并且将输入分辨率变成416*416，目的是想让最后输出的feature map是奇数大小。这里的奇数偶数是指最后输出的大小(输入除以32)。
为啥要奇数？如果是偶数的话，中心点就落在了四个格子的交汇处，奇数就刚好落在一个格子的中心。也就是希望让一个grid cell去预测物体，而不是四个。
看下面这个图理解： 左奇数，右偶数。
这一块原文中有个conditional probability条件概率，在v1中也出现了，和v1中的意思也是一样的，就是在有物体且是某一种分类的概率。并不是单指某一分类的概率。 所以叫条件概率，既满足有物体这一条件下的概率。
v1中是 7 * 7 * 2 = 98个框，v2中是13 * 13 * 5 = 845个框。
不用anchor：69.5%mAP，recall 81%。
用anchor：69.2mAP，recall 88%。
精度下降0.3%，不过recall上升了 7%，这里其实也比较好理解，v1里就不到一百个框，v2里变成不到一千个框了，多了这么多框recall肯定增加了，不过增加了这么多框，必然带来了更多无用的框，precision下降一点点也是可以理解的。
再明确一下这俩的区别：
recall：真正目标被检测出来的比例。
precision：预测框中包含目标的比例。
简言之，recall表示得找全，precision表示得找准。
（4）Dimension Clusters.(维度聚类)
这一块主要解释如何得到anchor。
首先批评了一下Faster R-CNN。Faster R-CNN使用的RPN里出现了anchor，但他的anchor是手工指定了长宽比和尺寸，相当于一个超参数，不过这违背了yolo对于目标检测模型的初衷，因为如果指定了anchor的大小就没办法适应各种各样的物体了。
v2中不再手工指定anchor的长宽比，而是使用k均值聚类方法。
关于k均值聚类我之前也有整理过笔记，可以看一下----机器学习算法----聚类
在计算聚类距离的时候没有用传统的欧氏距离，用的IOU。
作者给出公式：距离度量指标：
box:其他框， centroid：聚类中心框
作者通过一系列实验表明，聚类个数k=5是最优选择。也就是一个grid cell生成5个anchor。
当然可以让k变得很大，比如20，30。因为k越大就生成越多的anchor，越多的框自然准确率就能上去了，但同时也成倍的增加了模型的复杂度，R-CNN不就是因为提取2K个候选框拉跨的嘛，所以作者实验出来k=5是最平衡的点。
（5）Direct location prediction. (直接预测位置)
在前面有说过v1中bbox框无限制导致一系列的问题，虽然加入了anchor，不过仍无法控制偏移量，所以要进一步限制偏移量。
这也是作者在一段中说的加入anchor带来的模型不稳定问题，就是偏移量无限制的问题。
在Faster RCNN中：
预测框中心坐标= 输出的偏移量*anchor宽高+anchor中心坐标
yolov2改进方法：
也就是给他加了个sigmoid函数限制到了0-1之间。
其中CxCyC_x C_yCxCy是grid cell左上角坐标(归一化的)，PwPhP_wP_hPwPh(归一化的)是anchor的高宽，bxbybhbwb_xb_yb_hb_wbxbybhbw就是预测框的xy坐标和框的高宽。
输出的是 txtytwthtot_xt_yt_wt_ht_otxtytwthto 就是预测框对各自anchor的偏移量+置信度
这一操作提升了5%的mAP。
（6）Fine-Grained Features.（细粒度特征）
在网上找了张图来看一下操作过程：
一个feature map，也就是在最后的池化之前，分成两路，一路是做拆分，分成四块，四块拼成一个长条，另一个是做正常的池化卷积操作，最后两个长条叠加输出。
这里的叠加不是ResNet里的add，而是拼接，是DenseNet里的concat。
这里优点残差的思想，这样可以整合不同尺度的特征。有利于小物体的目标检测。
这一操作提升了1%的mAP。
（7）Multi-Scale Training.（多尺度训练）
一个问题：低分辨率图片，识别快但精度低，高分辨率图片，识别慢但精度高。
为了让模型更加鲁棒，能检测更多的物体，所以不再固定输入尺寸。
每10个batch就换一个尺度(32倍下采样)。
作者在训练期间输入不同尺度，让模型可以兼容各种尺度的图片，让精度和速度达到一个最优平衡。
这里之所以能接受不同尺度的输入，就还是之前的那个问题，卷积层对尺寸没要求，都是直接滑动窗口式的感受野，但是全连接层是有要求的。所以在全连接层之前使用了全局平均池化操作。
5.Faster（更快）
上一大章节讲如何变得更精确，这一章节就是怎么变的块，
这一段开头先批评一波VGG，害谁也要批一下VGG，说VGG慢的不行，所以yolov1用的GoogleNet，也就是inceptionv1。速度很快，但是对比VGG精度稍微有所下降。
在yolov2中改进了这个主干网络变成了darknet-19。
这里顺带说一下，darknet是一个框架，就类似于pytorch，tensorflow。darknet-19是个基于这个框架的模型，他和VGG googlenet不同，darknet-19是专门为了服务于yolov2而产生的。
darknet-19网络结构：
Darknet-19 总共有 19 层 conv 层， 5 个 maxpooling 层。Darknet-19 吸收了 VGG16, NIN 等网络的优点，网络结构小巧，但是性能强悍。
darknet-19具体结构：
注意这是分类模型，不是目标检测模型。
可以看到darknet-19里使用了3 * 3 *，1 * 1 ，全局平均池化GAP这样的操作。
对于目标检测模型，去掉最后一个卷积层，换成了3个 3 * 3 的卷积层， 然后再接1 * 1 卷积。
Training for classification.（训练分类模型）
这一小节主要说了一下训练细节，超参数什么的。
对于图像分类网络：
数据集 imagenet 1000；160 epoch；SGD优化器；初始学习率0.1；4次多项式学习率衰减；权重衰减(L2正则化)0.0005;动量0.9；数据增强：随机裁剪，旋转，色调(H)，饱和度(S)，明暗度(V)等的变化；224 * 224上训练，然后放到448 * 448上微调；微调时，10epoch，初始lr0.001；
对于检测网络基本也是这些，零散的那些变化稍看一眼就行。
6.Stronger (更强)
以上的两大章节就是这篇论文的第一个部分，基本都是对v1的改进。
这一章节更强的意思就是他检测更多的分类。也就是开头说到联合训练识别9000个分类。
联合coco目标检测数据集和imagenet分类数据集。
输入的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。
输入的若为分类标签的，则反向传播分类的损失函数
一个问题：
coco的数据集标签比较大，这里不是图片大小的大，是指分类的比较粗，比如狗，猫，而imagenet分类则比较细化，比如二哈狗，金毛狗。
这时候如果用softmax进行最后的分类，则会产生问题，因为softmax输出最概率的那个分类，赢家通吃，各种分类之间彼此互斥，若狗，二哈狗，金毛狗在一起的话就会出问题。
所以要联合训练，必须让标签有一定程度上的一致性。
原始正常的数据集中数据结构是WordNet(有向图)。作者改造成了WordTree(树)。
作者用了一堆文字说明他是如何改变，直接看网上找的这张图就懂了。
在WordTree结构上进行操作，需要预测的是每一个节点相对于父节点的条件概率，要计算某个几点的绝对概率 或者说联合概率，就直接从他乘到根节点。
最后只在同层的节点里进行softmax。
用了这个方法之后，精度稍微下降了一点点。
论文中也给出了数据集融合的图解：
作者融合了coco数据集和imagenet图片数量最多的前9K个类数据集。
在训练的时候也更改了yolov2的模型结构，anchor由5个改成了3个，原来输出(13 * 13 * 5 * 5 +20) 就是13 * 13 的网格，5个anchor，每个anchor25个信息(xywh和置信度加上类别数)，现在输出的就是 (13 * 13 * 3 * 5+9418)anchor数变成了3个，然后类别变成了9418个类。
5个anchor改成了3个anchor，可能是因为类别太多数据量太大吧。
7.思考
anchor和bbox的区别：
我一开始就在想，弄出来个anchor干啥，这不就是v1里的bbox嘛，v1里是2个bbox，v2里改成5个bbox不行吗？
可能我的理解还不够深，目前来看，直观的理解这俩的区别，就看有没有先验。对比bbox，anchor是通过在训练集上经过聚类算法得出来的框，比如训练集是人和自行车，那anchor就是长高的框，和矮宽的框,他不再是杂乱无章的，而是对数据集有一定的拟合度的框了。
并且使用anchor之后，最后输出的是预测框相对于anchor的偏移量。
这会让模型训练更加稳定且收敛更快。
V1和V2版本的输出张量公式为何不同？
yolov1的输出张量是 7 * 7 ((2* **5 )+20)，2 * *5+20是 两个bbox的5个信息(一共十个信息) +20个分类。
在yolov2里输出的张量是 13 * 13 (5* * (5+20) ), * (5* * (5+20) )是5个anchor框，每个框里5个信息+20个分类。
也就是说 V1是 (框数 * 信息数)+分类数。
v2 是(框数 *(信息数+分类数))。
造成这个原因的根本是 V1里分类由grid cell负责，V2中加入了anchor机制，所以分类由anchor负责。
这个问题我搞了半个多小时，这就是论文没读好的下场！
8.小总结：
对比yolov1所作出的改进：
加了BN（卷积后，激活函数前）;加了高分辨率分类器;加了anchor(聚类得到个数,1个gird cell 生成5个anchor);限制预测框；加入细粒度特征(类似于concat的残差)加入对尺度训练改进骨干网络(GoogleNet 变darknet-19)通过WordTree将不同数据集结合联合训练。用一种新颖的方法扩充了数据集。
再用一张表格对比一下V1和V2版本
