目录
YOLOv2的第二个改进在网络中加入了Batch Normalization
YOLOv2的第三个改进是增加了HighResolution Classifier
YOLOv2的第四个改进是Multi-ScaleTraining
大家好，我是羽峰，今天要和大家分享的是YOLOv2算法。YOLOv2算法是在YOLOv1算法的基础上进行改进的，YOLOv1算法主要存在两个缺点：一是YOLOv1定位不准确，另一个是基于Region proposal的方法的召回率相对较低，因此YOLOv2主要是在这两方面做了一些改进。这个视频主要讲YOLOv2 的主要改进方案，尤其重点要讲述Anchor，Anchor是目标检测算法最重要的一个机制。希望通过本视频的讲解，各位朋友可以对YOLOv2以及Anchor有个更深入的了解。
同时可以关注公众号“羽峰码字”，或者b站“羽峰码字”，浏览更多内容哈。
YOLOv2的第一个改进就是网络的改进
使用DarckNet19代替了YOLOv1的GoogLeNet网络，这里主要改进是去掉了全连接层，用卷积和softmax进行代替。
YOLOv2的第二个改进在网络中加入了Batch Normalization
使用Batch Normalization对网络进行优化，让网络提高了收敛性，同时还消除了对其他形式的正则化（regularization）的依赖。
YOLOv2的第三个改进是增加了HighResolution Classifier
具体做法是：首先在448×448的全分辨率下在ImageNet上微调分类网络的10个epoch。这使网络有时间调整其过滤器，使其在更高分辨率的输入上更好地工作。然后，我们根据检测结果对网络进行微调。这种高分辨率分类网络使我们的mAP几乎提高了4％。
YOLOv2的第四个改进是Multi-ScaleTraining
让网络在不同的输入尺寸上都能达到一个很好的预测效果，同一网络能在不同分辨率上进行检测。当输入图片尺寸比较小的时候跑的比较快，输入图片尺寸比较大的时候精度高。
YOLOv2的第五个改进是加入了Anchor机制
这个是最重要的一个改进，也是本视频将重点讲解的一个改进。首先我们要了解什么是Anchor机制，Anchor首先要预设好几个虚拟框，在用回归的方法确定最终的预测框，在YOLOv2中，使用K-means算法来生成Anchor bbox，如图1所示，当k=5时，模型的复杂度与召回率达到了一个比较好的平衡，所以YOLOv2使用了5个Anchor bbox 。
图1
我们将YOLOv1的输出与YOLOv2输出进行对比，如图2所示。YOLOv1是的输出7*7*30的多维向量，其中7*7是分辨率，对原图进行了7*7的分割，每个网格对应一个包含30个参数的向量，每个向量中包含两个bbox，每个bbox中包含5个向量，分别是bbox的质心坐标（x,y）和bbox的长和宽，还有一个bbox的置信度，剩下20个则是类别概率。这个如果不懂可以看一下我之前的文章，
YOLO算法之YOLOv1精讲
。而YOLOv2对此进行了修改，YOLOv2输出的是13*13*5*25的一个多维向量，其中13*13是分辨率，也就是说网络将输入图片分成了13*13的网格，每一个网格对应一个包含5*25=125个参数的一维向量，其中5代表5个Anchor bbox，每个Anchor bbox中包含25个参数，分别是bbox的质心坐标（x,y）和bbox的长和宽，还有一个bbox的置信度，剩下20个则是类别概率。这样的好处是YOLOv2可以对一个区域进行多个标签的预测，比如一个“人”的目标物体，他可以属于“人”这个标签，也可以属于“男”或者“女”这个标签，也可以是“老师”，“学生”或者“职工”等这些标签，而YOLOv1只能预测目标物体的一个类别。这里所做的最主要的改变是：bbox的四个位置参数的损失函数计算方法发生了改变。
图2
首先我们来认识一下Anchor bbox, Predicated bbox以及Ground truth bbox 三者之间的关系。如图3所示，红色框代表了Anchor bbox，蓝色框代表了 Predicated bbox，绿色框则代表了Ground truth bbox。我们希望的是Anchor bbox 接近于Ground truth bbox，但Anchor bbox是预先设定好的，不可以更改。但Anchor bbox可以生成不同的Predicated bbox，所以我们将我们目标转化为：Predicated bbox更接近于Ground truth bbox, 将这个目标转化为数学表达式就是
f(x)
，具体如图所示，那么我们的目标就变成了数学上的
tp
更加接近于
tg
。式子中都做了归一化，防止大物体干扰整个计算结果。
图3 三者之间关系
其次我们要了解一下坐标转换的概念，YOLOv1的坐标是相对于整个图像的，而YOLOv2的坐标是相对于每个网格的，那如何得到相对网格的这个坐标呢，又是如何计算loss值的呢？
如图4所示，最开始我们会生成Anchor bbox，这时候的这个bbox是相对于整个图像来说的，所以此时我们要进行归一化，归一到[0，1]之间。YOLOv2的分辨率是13*13，所以我们要将这个[0，1]之间的坐标乘上13，使得bbox的坐标是相对于13个网格的，此时坐标范围在[0，13]之间。此时我们在进行归一化操作，使得此时的坐标是相对于单独一个网格的，归一化计算公式是
xf = x-i, yf = y-j, wf = log(w/anchors[0]),hf = log(h/anchors[1])，
这里我们可以举个粒子，加入
x = 9.6
（
x
的范围是[0，13]），那么此时的
i
是
x
的整数部分，也就是
i = 9
, 所以
xf
= 0.6
，此时这个
0.6
就是相对于轴向第10个网格的x轴坐标。
图4 坐标变换
然后就是最后的loss 计算，如图5所示，图片中间的公式就是YOLOv2loss的计算公式，这个计算公式是相对于网格的，而其对应的f(x)则是相当于整个图像的。网络会计算得到δ(tx)，δ(ty)，其中δ是sigmoid函数，将网络输出归一化到[0,1]之间，这样就会得到相对于某个网格的质心位置，加上该网格相对于整个13*13网格的偏移值，就会得到预测bbox的质心位置，高和宽，调整这个值，使其更加接近于真实的bbox。
图5 总结