YOLO1、YOLO2、YOLO3对比_yolo系列算法比较

YOLO详解参见地址：

YOLO1：https://blog.csdn.net/qq_32172681/article/details/99418000

YOLO2：https://blog.csdn.net/qq_32172681/article/details/99482044

YOLO3：https://blog.csdn.net/qq_32172681/article/details/99595621

 

一、YOLO1

1、目标检测主要思想

与RCNN系列不同，YOLO把目标检测看作一个回归问题，直接用一个网络进行分类和框回归。

具体做法是：将image划分为S*S个网格，每个网格预测B个bbox的位置（x、y、w、h）、置信度（confidence为交并比）、类别概率。输出维度为S*S*（B*5+C），C为类别数。无论网格中包含多少个boxes，每个网格只预测一组类概率。测试时，将条件类概率和预测框的置信度乘起来，表示每个box包含某类物体的置信度，这个分数可以将box中的类别可能性和预测精确度同时表示出来。

2、整体网络结构

基本网络模型为GoogLe Net，但未使用它的inception模块，而是交替使用1*1和3*3卷积层

卷积层提取特征，全连接层预测类别和框位置回归，共24个卷积层，2个全连接层

3、子网络：预训练分类网络，输入图像大小为224*224

前20个卷积层 + 1个全局平均池化 + 1个全连接

4、子网络：目标检测网络，输入图像大小为448*448

前20个卷积层 + 4个卷积层 + 2个全连接 + 1个全连接（预测类别 / 框位置）

5、损失函数（平方和损失函数）

包括4部分：框中心位置x,y损失 + 框宽高w,h损失 + 置信度confidence损失 + 分类loss

公式看不懂，可以戳YOLO1详解：https://blog.csdn.net/qq_32172681/article/details/99418000

6、YOLO1优点：

• 速度快。看作一个回归问题，不需要复杂的pipeline。
• 对图像有全局理解。用整个图像的特征去预测bbox，而不是像RCNN，只能候选框的特征预测bbox。
• 候选框的数量少很多，仅7*7*2=49个。而RCNN的selectlive search有2000个，计算量大。

7、YOLO1缺点：

• 每个网格只预测2个bbox，限制了模型预测物体的数量。
• 多次下采样，边界框预测所使用的特征是相对粗糙的特征。

 

二、YOLO2

1、改进一：检测更多种类的目标

利用大型分类数据集ImageNet扩大目标检测的数据种类，可以检测9000种类别的目标（YOLO1仅20种）

2、改进二：批标准化BN

• 让梯度变大，避免梯度消失
• 收敛更快，训练过程更快
• 不是应用在整个数据集，有噪声，提高模型泛化能力

3、改进三：用高分辨率图像训练分类网络

YOLO1分类网络输入图像大小为224*224，目标检测网络输入图像大小为448*448，因此YOLO1需要同时完成目标检测任务和适应更高分辨率图像的任务。

4、改进四：借鉴RPN的anchor boxes，有先验知识，预测更快

5、改进五：用k-mean聚类算法，得到YOLO2的先验框piror boxes

用k-mean聚类算法，让模型自动选择更合适的先验框长、宽（YOLO1是人工指定的，带有一定的主观性）

自定义聚类算法的距离矩阵：，centroid是聚类时被选为聚类中心的框，box是其他框。

6、改进六：将预测的偏移量限制在一个网格范围内，模型更稳定

预测的是预测框中心相对于网格单元的偏移量，使用logistic将预测值限制到0-1范围内，这样框偏移就不会超过1个网络（RPN预测anchor box和预测框bbox的偏移量，有可能偏移量很大，导致模型不稳定）

7、网格为每个bbox预测5个偏移量：tx,ty,tw,th,to

设网格左上角偏移图像左上角的距离是cx,cy，且piror bounding（模板框）的高、宽为ph、pw。

预测框坐标计算如图：

8、改进七：提出passthrough层，有利于小目标检测

前一层26*26*512特征图分为4份，串联成4个13*13*2048的特征图，再与后一层的13*13*1024特征图串联，得13*13*3072特征图。

9、改进八：多尺度输入图像进行训练

FCN网络，不固定输入大小

10、分类网络模型（YOLO2自己的模型）：Darknet-19

类似vgg，最后使用全局平均池化，每个特征图得到1个值，再用全连接会少很多参数。

Darknet19：19个卷积层 + 5个池化层，最后一个全局平均池化层输出1000类别（没有使用全连接层）

11、目标检测网络模型

去掉分类网络最后一个1000类输出的卷积层，再加上3个3*3卷积层，每个3*3后都有1个1*1卷积层，最后1个3*3*512和倒数第2个3*3*1024之间添加一个passthrough层，得到更精细的结果，最后一个1*1层输出结果。网络结构图略。（这里貌似新加了11层）

12、混合分类和检测数据集，联合训练分类、检测网络

YOLO2提出一种联合训练机制，混合来自检测和分类数据集的图像进行训练。当网络看到标记为检测的图像时，基于完整的yolov2损失函数进行反向传播。当它看到一个分类图像时，只从特定于分类的部分反向传播损失。

 

三、YOLO3

1、多标签检测

每个框中可能有多个类别物体，而softmax只能用于单分类，因此换成sigmoid，sigmoid可以做多标签分类。

2、结合不同卷积层的特征，做多尺度预测

将当前层上采样的特征图，加上上层的特征图，得到一个组合特征图，再添加一些卷积层来处理这个组合的特征图，这样可以预测更细粒度的目标。

3、网络结构（DarkNet53 = DarkNet19 + ResNet）

• 结合残差思想，提取更深层次的语义信息。
• 仍然使用连续的3×3和1×1的卷积层。
• 通过上采样对三个不同尺度做预测。如将8*8的特征图上采样和16*16的特征图相加再次计算，这样可以预测出更小的物体。
• 采用了步长为2的卷积层代替pooling层，因为池化层会丢失信息。

4、预测更多目标

用k-mean均值聚类算法为每个网格预测9个模版框，样可以提高recall（YOLO2有5个，YOLO1有2个）

5、损失函数

使用交叉熵损失函数进行类别预测（YOLO2用的是平方误差）