《零基础入门AI：YOLOv2算法解析》

发布于：2025-08-30 ⋅ 阅读:(21) ⋅ 点赞:(0)

一、前情回顾

1. K-Means算法

概念：

  • K：用户预先指定的想要得到的簇的数量。这是算法最重要的参数。

  • 质心：每个簇的中心。其坐标由该簇内所有数据点的均值计算得出。这也是“K-Means”这个名字的由来（K个均值点）。

  • 距离度量：通常使用欧氏距离来衡量数据点之间的相似度。距离越近，相似度越高。公式如下（对于二维空间）：

    距离 = √[(x₁ - x₂)² + (y₁ - y₂)²]

核心思想：物以类聚。算法认为，相似的数据点应该聚集在一起，形成一个个的“簇”。

目标：将给定的数据集划分为 K 个互不相交的簇，使得簇内的数据点尽可能相似（距离小），而簇间的数据点尽可能不同（距离大）。

最终输出：

  1. K 个簇的中心点（称为质心）。
  2. 每个数据点被分配到的簇的标签。

如何选择K值？

既然K需要预先指定，如何确定最佳的K呢？常用方法：

  1. 肘部法则：

    • 做法：计算不同K值对应的聚类结果的误差平方和（SSE），即每个数据点到其所属簇的质心的距离的平方和。
    • 原理：随着K增大，SSE会减小（因为每个簇更精细）。当K增加到真实簇数时，SSE的下降幅度会骤减，然后随着K继续增加而缓慢下降。这个拐点像“手肘”一样，对应的K值就是最佳值。
    • 缺点：有时“肘部”不明显，难以判断。

  2. 轮廓系数：

    • 结合了内聚度（一个点与自身簇内其他点的相似度）和分离度（该点与其他簇的相似度）来评估聚类的质量。
    • 轮廓系数取值范围为 [-1, 1]，值越大表示聚类效果越好。通常选择使轮廓系数最大的K值。

2. 上采样和下采样

2.1 下采样

概念：

下采样，也称为降采样或缩小，是指通过某种方法降低数据尺寸或数据量的过程。其目标是保留最重要、最具代表性的信息，同时丢弃冗余或次要的细节。

作用：

  • 降低计算成本：更少的数据点意味着更快的处理速度和更低的内存占用。
  • 防止过拟合：在机器学习中，减少特征数量或样本数量可以简化模型，使其更专注于核心模式。
  • 提取关键特征：忽略细节噪声，抓住宏观趋势。
  • 匹配不同分辨率：将高分辨率数据调整到与低分辨率数据相同的尺度进行处理。

常见方法：

（在信号/图像处理中）：

  • 最邻近插值：直接丢弃多余像素。速度最快，但可能导致严重的锯齿（Aliasing）和块状效应。
  • 池化：在卷积神经网络中极为常见。
    • 最大池化：取一个窗口（如2x2）内的最大值。能更好地保留纹理特征。
    • 平均池化：取一个窗口内的平均值。能产生更平滑的效果。
  • 抗混叠滤波 + 采样：这是最科学的方法。先使用一个低通滤波器（如高斯模糊）平滑信号，去除高频成分（防止采样后出现混叠失真），然后再进行间隔采样。

（在机器学习/数据挖掘中）：

  • 针对特征：主成分分析（PCA）、特征选择等，减少特征维度。
  • 针对样本：处理类别不平衡问题。例如，从多数类中随机删除一部分样本，使其数量与少数类接近。

缺点

  • 信息丢失：这是最主要的代价。下采样是不可逆的，丢失的细节无法从下采样后的数据中恢复。
  • 混叠失真：如果下采样前没有进行适当的滤波，高频信号会混叠成低频信号，造成失真。
2.2 上采样

概念：

上采样，也称为升采样或放大，是指通过某种方法增加数据尺寸或数据量的过程。其目标是根据已有的低分辨率信息，推断和重建出高分辨率信息。

作用：

  • 提高分辨率：如图像超分辨率、音频高保真还原。
  • 数据扩充：生成更多样本以供训练，特别是在数据稀缺的情况下。
  • 恢复原始尺寸：在神经网络中，经过多次下采样后，需要将特征图恢复到原始图像尺寸以进行像素级预测（如图像分割）。
  • 处理不平衡数据：对少数类样本进行上采样，复制或生成新样本，以平衡数据集。

常见方法：

（在信号/图像处理中）：

  • 插值：利用已知数据点来估计未知数据点的值。
    • 最邻近插值：将新点的值设置为离它最近的原始点的值。速度快，但效果粗糙，会产生块状。
    • 双线性插值：在二维网格中，在x和y方向分别进行线性插值。效果比最邻近好，速度较快。
    • 双三次插值：使用更多的邻近点（通常4x4）进行三次插值。能产生更平滑、更高质量的图像，是常用的图像放大算法。
  • 转置卷积：也称为反卷积。是深度学习中的方法，通过可学习的参数来“填充”像素之间的空隙。它不是简单的插值，而是从数据中学习如何上采样，效果通常远优于传统插值。

（在机器学习/数据挖掘中）：

  • SMOTE：一种经典的针对类别不平衡的上采样技术。它不是简单复制少数类样本，而是在少数类样本的特征空间中进行插值，合成新的样本。
  • 生成式模型：如生成对抗网络（GANs） 或 扩散模型，可以学习训练数据的分布，并生成全新的、与原始数据相似的高分辨率样本。这是目前图像超分辨率等领域最先进的方法。

缺点

  • 无法创造真实信息：上采样是“无中生有”，新增的细节是基于已有信息的猜测和估计，不一定是真实的。可能会产生模糊或伪影。
  • 计算成本高：尤其是基于深度学习的方法，需要大量的计算资源。
  • 可能引入噪声：错误的插值或生成方法会引入不希望的 artifacts（伪影）。

二、YOLOv2详解

YOLOv2 论文地址：【https://arxiv.org/pdf/1612.08242#page=4.24】

YOLOv2 论文中文对照地址：【https://blog.csdn.net/qq_42755230/article/details/125820723】

1. 概述

YOLOv2是Joseph Redmon等人在2017年提出的YOLO算法的第二个版本。其论文名为《YOLO9000: Better, Faster, Stronger》。顾名思义，它的目标有三个：

  1. Better： 比YOLOv1更准确，逼近甚至超越当时最先进的Faster R-CNN。
  2. Faster： 保持极快的速度。
  3. Stronger： 能够检测超过9000种类别的物体（YOLO9000）。

YOLOv2并非革命性的重构，而是通过一系列巧妙且有效的增量改进，显著提升了基础YOLO模型的性能。下面我们将逐一分解这些改进。

2. 整体网络结构（Backbone: Darknet-19）

YOLOv2采用了名为Darknet-19的新主干特征提取网络，其结构如下表所示：

类型 过滤器 尺寸/步长 输出尺寸
Convolutional 32 3x3 224x224x32
Maxpool 2x2/2 112x112x32
Convolutional 64 3x3 112x112x64
Maxpool 2x2/2 56x56x64
Convolutional 128 3x3 56x56x128
Convolutional 64 1x1 56x56x64
Convolutional 128 3x3 56x56x128
Maxpool 2x2/2 28x28x128
Convolutional 256 3x3 28x28x256
Convolutional 128 1x1 28x28x128
Convolutional 256 3x3 28x28x256
Maxpool 2x2/2 14x14x256
Convolutional 512 3x3 14x14x512
Convolutional 256 1x1 14x14x256
Convolutional 512 3x3 14x14x512
Convolutional 256 1x1 14x14x256
Convolutional 512 3x3 14x14x512
Maxpool 2x2/2 7x7x512
Convolutional 1024 3x3 7x7x1024
Convolutional 512 1x1 7x7x512
Convolutional 1024 3x3 7x7x1024
Convolutional 512 1x1 7x7x512
Convolutional 1024 3x3 7x7x1024
  • 特点：
    • 包含19个卷积层和5个最大池化层，比VGG16更小，但性能相当。
    • 大量使用3x3卷积，并在池化后通过1x1卷积来压缩特征通道数以降低计算量。
    • 使用全局平均池化（Global Average Pooling）代替全连接层进行ImageNet分类任务，大大减少了参数量并防止过拟合。
    • 所有卷积层后都跟了批量归一化（BN）层。

用于检测：在Darknet-19的基础上，移除最后一个卷积层，添加三个3x3（1024 filters）的卷积层，最后接一个1x1卷积层来输出预测张量。

3. 批量归一化（Batch Normalization）

  • 是什么： 批量归一化（Batch Normalization, BN）是一种通过对每一层的输入进行归一化（减去均值，除以标准差）来稳定和加速深度网络训练的技术。
  • 在YOLOv2中的应用： YOLOv2在所有的卷积层之后、激活函数之前都加入了BN层。
  • 带来的好处：
    1. 显著改善收敛性： 训练过程更加稳定，不再那么依赖精细的参数初始化。
    2. 正则化效果： 一定程度上减少了模型对Dropout正则化的需求。YOLOv2在加入BN后移除了YOLOv1中的Dropout层，但并未出现严重的过拟合。
    3. 提升mAP： 这一项改进直接带来了超过2%的mAP提升。

4. 高分辨率分类器（High Resolution Classifier）

  • 问题： YOLOv1先在ImageNet（224x224）上训练分类网络，然后在检测任务（448x448）上微调。这种分辨率的突然切换使得网络难以快速适应。
  • YOLOv2的改进：
    1. 首先在ImageNet上以448x448的分辨率对分类网络进行10个epoch的微调。
    2. 然后再用这个高分辨率预训练好的模型在检测数据集上进行训练。
  • 带来的好处： 让网络在转入检测任务前就已经适应了更高的分辨率，为后续的检测任务提供了更好的特征基础。这项改进带来了约4%的mAP提升。

5. 锚框（Anchor Boxes）【重点】

这是YOLOv2最核心的改进之一，它改变了YOLO的边界框预测机制。

  • YOLOv1的问题： YOLOv1直接在每个网格上预测边界框的坐标（(x, y, w, h)）。由于没有先验，模型需要艰难地学习如何输出合适的框，这导致模型在定位精度上较差，尤其是对小物体的检测。
  • YOLOv2的解决方案： 借鉴Faster R-CNN的锚框（Anchor Boxes） 机制。
    • 是什么： 锚框是一组预先定义好的、具有不同宽高比的边界框，它们作为预测的“参考”或“先验”。
    • 如何工作：
      1. 移除YOLOv1中的全连接层，使用卷积层进行预测。
      2. 将输入图片划分为 S x S 的网格（例如13x13）。
      3. 在每个网格上放置 k 个锚框（k=5是论文中通过k-means聚类得到的推荐值）。
      4. 网络不再直接预测框的绝对坐标，而是预测相对于锚框的偏移量和置信度。
    • 预测公式：
      • b_x = σ(t_x) + c_x
      • b_y = σ(t_y) + c_y
      • b_w = p_w * e^(t_w)
      • b_h = p_h * e^(t_h)
      • 其中 (t_x, t_y, t_w, t_h) 是网络预测的4个值，σ是sigmoid函数（将偏移限制在0~1，防止框偏移到其他网格），(c_x, c_y)是网格的左上角坐标，(p_w, p_h)是锚框的宽和高，(b_x, b_y, b_w, b_h)是最终预测框的中心坐标和宽高。
    • 带来的好处：
      1. 极大提升召回率（Recall）： 模型现在只需要判断“这个锚框框住的区域里有没有物体？”以及“这个锚框需要如何微调才能更准？”，任务变得更容易学习。召回率从YOLOv1的81%提升到了88%。
      2. 简化学习目标： 网络只需学习如何微调锚框，而不是从零开始猜测框的位置，使学习过程更容易。

在这里插入图片描述

6. 细粒度特征（Fine-Grained Features）

  • 问题： 经过多层卷积和下采样后，特征图的分辨率变得很低（如13x13），很多细粒度的特征（对小物体检测至关重要）已经丢失。
  • YOLOv2的解决方案： Passthrough层。
    • 是什么： 将前面一层更高分辨率（26x26）的特征图直接“传递”到后面的低分辨率特征图中进行融合。
    • 如何工作： 将26x26x512的特征图拆分成4个13x13x512的切片（按空间位置隔点采样），然后将其与原本的13x13x2048特征图在通道维度上进行拼接，形成13x13x(2048+512*4)=13x13x3072的新特征图。
    • 带来的好处： 为最终的低分辨率特征图提供了更丰富的细粒度信息，显著改善了小物体的检测性能，带来了约1%的mAP提升。

7. 多尺度训练（Multi-Scale Training）

  • 目标： 让模型对不同尺寸的输入图像都具有良好的鲁棒性。
  • 方法： 在训练过程中，每经过10个batch，就随机选择一个新的输入图像尺寸。由于YOLOv2的网络下采样总步长为32，因此选择的尺寸必须是32的倍数（如320, 352, ..., 608）。
  • 带来的好处：
    1. 同一个模型可以在不同分辨率下运行： 用户可以在速度和精度之间进行灵活权衡。用小尺寸（如288x288）输入，速度极快；用大尺寸（如544x544）输入，精度更高。
    2. 泛化能力更强： 迫使模型学习在不同尺度下都能很好地提取特征。

8. 推理实现

YOLOv2的推理过程非常简洁高效，是典型的“单阶段”检测器。

  1. 输入： 一张图片（如调整为416x416或任何多尺度尺寸）。
  2. 前向传播： 图片通过Darknet-19主干网络，得到最终的特征图（如S x S x (B*(5+C))，其中S=13, B=5, C=类别数）。
  3. 解码预测：
    • 对于特征图上的每一个网格，每一个锚框，都会输出一个预测向量：[t_x, t_y, t_w, t_h, obj_score, class_1, class_2, ..., class_N]。
    • 使用前面锚框部分提到的公式，将 (t_x, t_y, t_w, t_h) 解码为最终的边界框绝对坐标 (b_x, b_y, b_w, b_h)。
    • 将目标置信度 obj_score 与类别概率 class_i 相乘，得到每个框对于每个类别的最终置信度分数：confidence = obj_score * class_i。这个分数同时包含了“框内是否有物体”的概率和“是什么物体”的概率。
  4. 后处理：
    • 置信度阈值过滤： 设定一个阈值（如0.5），滤掉所有置信度分数低于该阈值的预测框。
    • 非极大值抑制（NMS）： 对剩下的框进行NMS操作，去除那些针对同一个物体的重复框，只保留得分最高的那一个。
  5. 输出：最终输出一系列带有类别标签和置信度分数的边界框。

9. 性能对比

在这里插入图片描述

网站公告

今日签到

点亮在社区的每一天
去签到

热门文章

最新发布