本文共 3081 字，大约阅读时间需要 10 分钟。

原视频：

参考文章：

如何学习网络？

1）、学习网络原理 2）、读原论文 3）、跑通github上的代码 / 选择自己喜欢的框架+经常更新+标star多的 4）、读代码 / 分析网络搭建+数据预处理+损失计算 / 结合原论文+代码解读文章

一些术语：

1. Backbone：提取特征的网络,后面接着我们自己的网络(如VGG16, Resnet-50, Darknet52 , ResNext50 variants.)
   2)Head:对图像特征进行预测，生成边界框和并预测类别。
   3)neck:放在backbone和head之间的，是为了更好的利用backbone提取的特征( 如FPN PAN RFB )

Yolov1（2016）

【论文思想】

1）、一幅图像分成S×S个 网格(grid cell)，落在某个object中心的网格负责该object 2）、final predicting is a (S×S×（5*B + C)) tensor 以S=7， B=2， C=20为例 一个网格负责预测两个bndbox + 20个类别的分值。 每个bounding box包含(x,y,w,h) + confidence, 共5个数值 (x, y): the centerof the box relative to the bounds of the grid cell. 取值[0, 1] (w,h): The width and height are predicted relative to the whole image.取值[0, 1] confidence = Pr(Object)*IOU(truth, pred), 当存在object时，Pr(Object)=1，confidence可简单理解为IOU

【网络结构】

【损失函数】 注：w,h要开根处理，因为同样的偏移，不同尺度的目标IOU变化不同，尺度越大变化越小 【v1存在问题】 1）small objects that appear in groups 2） objects in new or unusual aspect ratios or configurations 主要原因在于定位不准确

Yolov2(2017)

【better】Yolov2的7种尝试：

1） ，mAP提升2% 在每一个卷积层后加入BatchNormalization， BatchNormalization批归一化：指神经网络中间层也进行归一化处理，有助于规范化模型，防止过拟合。

2）high resolution classifier,mAP提升4%

一般的目标检测方法中，先使用AlexNet / VGG网络进行特征提取，图片resize到< 256256，分辨率低，目标检测困难；YOLOv2自定义了darknet分类网络，将图像的输入分辨率更改为448448

3）Convolutional with Anchor Boxes，提升recall

借鉴FasterR-CNN中的anchor思想，产生多个bounding boxes先验框

4）Dimension Cluster

先通过维度聚类生成先验框 给定AnchorBoxes的宽高纬度，然后通过网络学习转换系数，得到准确的boundingbox候选框。有priors更快。

5）Direct location prediction, 4+5后mAP提升5%

直接位置预测：YOLOv2中不采用直接的offset方法，而是限制预测的坐标信息，每个anchor去负责 中心落在某个grid cell区域内 的目标，避免anchor落在图像中的任意一个位置导致的不稳定 6）Fine-Grained Features，mAP提升1% 细粒度特征。通过passthrough layer将底层特征与高层特征融合，提升检测小目标的效果 7）Multi-Scale Training 多尺度训练。We want YOLOv2 to be robust to running on images of different sizes ，so 每经过10个epoch，随机选择新的图片尺寸进行训练 由于YOLOv2中仅存在卷积层和池化层，所以可以进行动态调整 由于YOLOv2中降采样的参数为32，所以尺寸可选值{320,352,…,608}总共十个不同尺寸的的图像

【faster】

使用基于GoogleNet的定制网络DarkNet,改善检测速度

Yolov3(2018)

【网络结构】

backbone采用darknet-53 filters：卷积核个数 ; size：卷积核大小

【目标边界框的预测】

【正负样本的匹配】

• assign one bounding box prior for each ground truth object,有几个gt目标就有几个正样本
• 把与gt重合程度最大的bounding box prior作为正样本
• 与重合程度非最大且大于threshold,则该bounding box prior既不是正样本也不是负样本，丢弃
• 剩下样本是负样本，既没有定位损失，也没有类别损失，只有objectness(confidence score)

【损失的计算】

主要是将v1中关于confidence和class类别概率部分的损失函数更改为logistic交叉熵损失函数 Eg. 真实标签 [0, 0, 1] 预测概率 [0.1, 0.8, 0.9]; 每个概率是相互独立的，没有使用softmax所以和不为1

Yolov3 SPP

【Mosaic图像增强】

一种将4张训练图片混合成一张的新数据增强方法，可以丰富图像的上下文信息。 优点：1）增加数据多样性；2）增加目标个数；3）大大减少了对大mini-batch处理size的需求。BN时要求batch-size要尽可能大，加入Mosaic后，输入一张四张图像拼接的图像≈并行输入四张(batch Sze=4）原始图像

【SPP模块】

实现了不同尺度的特征融合，注意与不同 具体结构为： 输出为：1616（512*4） 图中显示在第一个预测特征图之前加入了SPP，第二/三个预测特征图之前也可以加SPP，效果都差不多

【CIOU Loss】

Yolov3选用差值平方，Yolov3 SPP 选用CIOU Loss，考虑到了重叠面积、中心点距离、长宽比 Focal loss(map下降2%？黑人问号脸？) 主要是为了解决one-stage目标检测中正负样本比例失衡class imbalance的问题：一张图像中能够匹配到目标的候选框(正样本)个数一般只有十几个或几十个，而没匹配到的候选框(负样本)大概有10000-100000个。其中大部分为简单易分的负样本（对训练网络起不到什么作用，但数量太多会淹没掉少量但有助于训练的样本)。该损失函数降低了大量简单负样本在训练中所占的权重 类似的思想有困难样本挖掘 hard negative mining: 只选取损失较大的负样本训练网络 then 引入α平衡正负样本权重; a∈[0,1]for class 1 and 1-0 for class -1.取0.75 效果最好

then

降低简单样本权重， focus on hard negatives then 又加了一个超参数平衡,当γ = 2 α = 0.25时，效果最好

转载地址：http://cwdhz.baihongyu.com/