YOLOv2 目标检测算法深度解析
- [一、YOLOv1 与 YOLOv2 核心对比](#一、YOLOv1 与 YOLOv2 核心对比)
- [二、YOLOv2 核心改进点](#二、YOLOv2 核心改进点)
-
- [1. Batch Normalization（批归一化）](#1. Batch Normalization（批归一化）)
- [2. 高分辨率输入微调](#2. 高分辨率输入微调)
-
- 问题背景
- [YOLOv2 的改进](#YOLOv2 的改进)
- [三、YOLOv2 网络结构详解](#三、YOLOv2 网络结构详解)
-
- [1. 整体网络架构](#1. 整体网络架构)
- [2. 传统 CNN 的局限性](#2. 传统 CNN 的局限性)
- [3. YOLOv2 的解决方案 ------ 全局平均池化](#3. YOLOv2 的解决方案 —— 全局平均池化)
- [四、聚类提取先验框（Anchor Boxes）](#四、聚类提取先验框（Anchor Boxes）)
- [五、直接位置预测（Directed Location Prediction）](#五、直接位置预测（Directed Location Prediction）)
-
- [1. 概念](#1. 概念)
- [2. 计算公式](#2. 计算公式)
- [3. 示例说明](#3. 示例说明)
- 六、感受野与多尺度融合
一、YOLOv1 与 YOLOv2 核心对比
YOLOv2 在 YOLOv1 的基础上进行了全方位的升级，主要改进点包括：
- 引入 Batch Normalization（批归一化），舍弃 Dropout
- 使用 高分辨率输入（448×448 微调）
- 采用 DarkNet-19 作为骨干网络（不含全连接层）
- 引入 Anchor Box（先验框） 机制，数量从 2 个增加到 5 个
- 使用 K-means 聚类 自动生成先验框尺寸
- 支持 多尺度训练（320×320 ~ 608×608）
二、YOLOv2 核心改进点
1. Batch Normalization（批归一化）
YOLOv2 在每一层卷积之后都引入了 Batch Normalization（BN）层 ，并舍弃了 Dropout。
BN 层的作用是对网络每一层的输入进行归一化处理，使数据分布更加稳定，从而：
- 加速收敛：网络训练过程更加平稳
- 提升精度 ：使用 BN 后，mAP（平均精度均值）提升了约 2%
- 正则化效果：BN 本身具有一定的正则化作用，可替代 Dropout
从目前来看，BN 已成为现代卷积神经网络中的标准配置。
2. 高分辨率输入微调
问题背景
YOLOv1 在训练时使用 224×224 的输入尺寸，测试时却使用 448×448，这可能导致模型难以适应测试阶段的分辨率变化。
YOLOv2 的改进
- 在训练过程中额外增加了 10 次 448×448 的高分辨率微调
- 通过高分辨率分类器微调后，YOLOv2 的 mAP 提升了约 4%
这一改进使得模型在训练和测试阶段的分辨率保持一致，显著提升了检测精度。
三、YOLOv2 网络结构详解
1. 整体网络架构
YOLOv2 不再沿用 YOLOv1 的 GoogLeNet，而是采用自行设计的 DarkNet-19 作为骨干网络。
关键特点：
- 输入尺寸：416×416×3
- 不含全连接层（FC），全部由卷积层和池化层构成
- 经过 5 次降采样 （stride=2 的卷积），最终特征图尺寸为 13×13
- 输出特征图的尺寸为 13×13×125（125 = 5 个先验框 × 25 个参数）
2. 传统 CNN 的局限性
在传统的卷积神经网络中（如下图所示），输入图像经过卷积处理后，在进入全连接层之前，特征图需要被**展平（Flatten）**为一维向量。
问题 ：全连接层的权重参数数量取决于输入特征图的大小。例如，若全连接层输入为 128×13×13，输出为 2048 个神经元，则参数量为 128 × 13 × 13 × 2048，十分庞大。若输入图像尺寸改变，特征图大小也随之改变，导致全连接层无法正常工作。
3. YOLOv2 的解决方案 ------ 全局平均池化
YOLOv2 的 DarkNet-19 网络不包含全连接层 ，而是采用全局平均池化（Global Average Pooling） 作为网络的最后一层。
原理：对每个特征图计算全局平均值，输出固定长度的向量（如 1000 维），然后通过 Softmax 输出类别概率。
优势：
- 支持任意尺寸的输入图像
- 不受输入分辨率变化的影响
- 极大减少了参数量
局限性 ：由于网络进行了 5 次降采样（每次 stride=2），输入图像的尺寸必须能被 32 整除。
四、聚类提取先验框（Anchor Boxes）
1. YOLOv1 vs YOLOv2 先验框数量
| 版本 | 先验框数量 | 说明 |
|---|---|---|
| YOLOv1 | 2 个/网格 | 数量较少，定位精度有限 |
| YOLOv2 | 5 个/网格 | 数量增加，精度提升 |
| Faster R-CNN | 9 种 | 3 种尺度 × 3 种比例 |
先验框数量越多，目标定位越精确，但同时也会增加计算量。YOLOv2 在速度和精度之间取得了较好的平衡。
2. K-means 聚类算法
YOLOv2 不再手动设计先验框尺寸，而是通过 K-means 聚类 自动从训练集中学习。
聚类流程
- 从训练集中提取所有标注框的宽度（w）和高度（h）
- 将每个标注框表示为二维坐标点
(w, h) - 使用 K-means 算法对这些点进行聚类（K=5）
- 计算每个簇的平均宽高作为先验框尺寸
距离度量
YOLOv2 采用 1 - IoU 作为聚类距离，而非传统的欧氏距离：
d(box, centroid) = 1 - IoU(box, centroid)
使用 IoU 作为距离度量，使得聚类结果更关注框的重叠程度，而非绝对尺寸，从而更适合目标检测任务。
3. 聚类框数量的确定
YOLOv2 通过实验确定 K=5 为最优选择------在模型复杂度和检测精度之间取得了最佳平衡。
4. 先验框分配策略
与 Faster R-CNN 不同，YOLOv2 的先验框不按固定长宽比和尺度预先设定，而是通过聚类直接从数据中学习得到，能更好地适配特定数据集的分布特征。
- 特征图尺寸为 13×13 ，每个网格分配 5 个先验框
- 总预测框数量：
13 × 13 × 5 = 845个（YOLOv1 仅为 98 个）
五、直接位置预测（Directed Location Prediction）
1. 概念
直接位置预测（Directed Location Prediction） 是 YOLOv2 引入的一种边界框位置微调方法，其核心目的是预测偏移量 而非绝对坐标，并对偏移量进行约束限制，防止训练过程中出现发散。
与 YOLOv1 直接回归坐标不同，YOLOv2 预测的是相对于网格单元边界的偏移值 ，同时通过 Sigmoid 函数将偏移量限制在 [0, 1] 区间内，确保预测框的中心点不会跑出所属网格的范围。
2. 计算公式
YOLOv2 的位置预测公式如下：
bx = σ(tx) + cx
by = σ(ty) + cy
bw = pw · exp(tw)
bh = ph · exp(th)
其中：
bx, by, bw, bh：最终预测框的中心坐标和宽高tx, ty, tw, th：模型预测的偏移量cx, cy：当前网格单元的左上角坐标（偏移量，取值为 0~12）pw, ph：先验框（Anchor Box）的宽高σ：Sigmoid 函数，将值压缩到(0, 1)区间
3. 示例说明
以输入图像 416×416 为例，经过 5 次降采样（32 倍缩放）后，特征图尺寸为 13×13。
- 特征图上的位置
(cx, cy)乘以 32 即可映射回原始图像坐标 - 使用 Sigmoid 将
tx, ty限制在[0, 1]，确保预测框中心点落在当前网格内 - 通过
exp(tw)和exp(th)对先验框尺寸进行缩放调整
六、感受野与多尺度融合
1. 感受野概念
感受野（Receptive Field） 是指特征图上的每个点在原始图像中所对应的视野范围。特征图中的一个单元格，相当于上一层输入图像中多个像素点的"浓缩"。
感受野的作用
感受野决定了网络能够"看到"输入图像的多大区域，对目标检测任务至关重要：
- 深层网络：感受野大，能捕捉全局语义信息，但可能丢失小目标细节
- 浅层网络：感受野小，能保留局部细节信息，适合检测小目标
2. Fine-Grained Features（细粒度特征融合）
问题
随着网络不断加深，最后一层特征图的感受野过大，小目标的特征信息可能丢失。
解决方案
YOLOv2 引入细粒度特征（Fine-Grained Features） 融合策略：
- 在网络的中间层（尺寸为
512×26×26的特征图）额外复制一份特征 - 将该特征图分割成 4 份 ，重新排列为
4 × 13 × 13 × 512 - 将重排后的特征拼接到 最后一层
1024×13×13的特征图之后 - 最终得到
(1024 + 2048) × 13 × 13的融合特征图
这样既保留了深层的大感受野语义信息，又融入了浅层的细节信息，有效改善了小目标检测效果。
3. 多尺度训练（Multi-Scale Training）
策略
由于 YOLOv2 不含全连接层，输入图像的尺寸可以动态变化，只需保证尺寸能被 32 整除即可。
训练机制
- 每经过 10 个批次（batch），随机选择一个新的输入尺寸
- 可选范围：320×320 到 608×608（步长为 32）
效果
- 小尺寸（320×320）：速度快，适合实时应用
- 大尺寸（608×608）：精度高，适合高精度需求场景
这种多尺度训练策略使得 YOLOv2 在速度和精度之间实现了更好的平衡。