YOLO9000（YOLO2的改进版本），比YOLO有不少改进，并且有“更好，更快，更强”之称谓，那么到底更好在哪？更快在哪？更强在哪？本文抽丝剥茧，一一予以给出。

本文的背景论文是：

《YOLO9000:Better,Faster,Stronger》。

YOLOv2

在67 FPS，YOLOv2在PASCAL VOC 2007上获得76.8％的mAP。在40 FPS时，YOLOv2获得78.6％mAP，这比使用ResNet和SSD 更快的R-CNN更好。凭借如此优异的成绩，YOLOv2于2017年CVPR发布并获得超过1000次引用。

YOLOv2

YOLO9000是如何实现“更好，更快，更强 ”：

1. YOLOv2改进并且超过YOLOv1（更好）

2. YOLOv2使用Darknet-19（更快）

3. YOLO9000 by WordTree（更强）

YOLOv2比YOLOv1改进的若干技巧（更好）

1、批归一化（BN）

在前边的文章专门阐述过《批归一化Batch Normalization的原理及算法

BN用于YOLOv2中的所有卷积层mAP提高2％

2、高分辨率分类器

经过224×224图像训练后，YOLOv2还使用448×448图像对ImageNet上的10个epochs的分类网络进行微调mAP增加4％

3、与锚箱（Anchor Boxes）的卷积

· YOLOv2删除所有完全连接的图层，并使用锚框来预测边界框。

· 移除一个池化层以提高输出分辨率。

· 416×416图像用于训练检测网络。

· 并且获得13×13特征图输出，即32×下采样。

· 没有锚箱，中间模型的mAP达到69.5％，召回率为81％。

· 使用锚箱，获得69.2％的mAP和88％的召回率。虽然mAP略有下降，但召回量大幅增加。

4、Dimension Clusters

· 锚箱Anchor box的大小和比例是预先定义的，没有获得任何先验信息，就像Faster R-CNN中的那样。

· 使用标准的基于欧几里德距离的k-means聚类是不够好的，因为较大的盒子比较小的盒子产生更多的误差

· YOLOv2使用k-means聚类，这可以获得良好的IOU分数：

· k = 5是最佳值，在模型复杂度和高召回率之间具有良好的权衡。

具有不同数量的锚箱的不同IOU聚类方法

· 基于IOU的聚类具有5个锚箱（61.0％）具有与Faster R-CNN中9个锚箱（60.9％）的聚类相似的结果。

· 基于IOU的9个锚箱聚类得到67.2％。

5、直接位置预测

· YOLOv1对位置预测没有约束，这使得模型在早期迭代时不稳定。预测的边界框可以远离原始网格位置。

· YOLOv2使用逻辑激活σ来限制位置，这使得值落在0到1之间：

约束边界框预测

· （cx，cy）是网格的位置。

· （bx，by）是边界框的位置：（cx，cy）+ delta由σ（tx）和σ（ty）限定。

· （pw，ph）是从聚类中获得的锚盒。

· （bw，bh）是边界框尺寸：（pw，ph）按（tw，th）缩放。

· 锚箱版本mAP增加5％。

6、细粒度的功能

· 13×13特征图输出足以检测大对象。

· 为了很好地检测小物体，将早期图层的26×26×512特征图映射到13×13×2048特征图，然后与原始的13×13特征图连接进行检测。

· 实现了mAP增加1％。

7、多尺寸训练

· 对于每10批次，随机选择新的图像尺寸。

· 图像尺寸为{320,352，...，608}。

· 网络已调整大小并继续训练。

8、比YOLO2改进摘要

增量改进

· 网络在较小尺寸的图像上运行得更快。

· 对于低分辨率的YOLOv2，在90 FPS时，mAP与Fast R-CNN一样好，非常适合较小的GPU。

· 对于高分辨率YOLOv2，实时速度获得76.8％mAP。

PASCAL VOC 2007数据集

对于MS COCO数据集，只有YOLOv2可以在以下方法中获得实时性能：

Microsoft COCO数据集

YOLOv2使用Darknet-19（更快）

除上述修改外，网络架构也是影响mAP的一个因素。

YOLOv2中使用Darknet-19分类网络进行特征提取：

Darknet-19分类网络

我们可以看到Darknet-19有许多1×1的卷积来减少参数的数量。

Darknet-19可以在准确性和模型复杂性之间取得良好的均衡：

1000个类的ImageNet分类结果

由于TopNet 1和Top-5错误接近ResNet-50，因此Darknet-19具有较低的模型复杂度（FLOP），因此检测速度更快（FPS）。

使用WordTree的YOLO9000（更强）

有多个数据集用于分类和检测。作者有一个想法，“他们可以结合在一起吗？”

1、结合

COCO和ImageNet

· 微软COCO：100k图像，80个类，检测标签，类更像是“狗”或“船”。

· ImageNet：1300万张图像，22k类，分类标签，类别更具体，如“诺福克梗”，“约克夏犬”或“贝德灵顿犬”。

· 像“狗”和“诺福克梗”这样的类并不相互排斥。

我们不能通过添加更多类来直接组合它们，如下所示：

我们不能这样组合

要结合使用，可以使用WordTree：

WordTree

如上所示，WordTree有一个分层树，用于将类和子类关联在一起。简而言之，基于树的WordTree是基于基于图形的WordNet构建的，它通过可视化ImageNet中的名词并选择WordNet中的较短路径。

例如：“Norfolk terrier”也被标记为“狗”和“哺乳动物”。

如果网络看到“狗”的图像但不确定它是哪种类型，它仍将基于条件概率以高置信度预测为“狗”。

最后有9418个类。

2、YOLO9000训练

· 使用3个先验而不是5来限制输出大小。

· 对于检测图像，损失像正常一样地反向传播。

· 对于分类图像，只有分类损失在标签的相应级别或之上才反向传播。

3、YOLO9000结果

· 获得19.7％的mAP。

YOLO9000结果

MS COCO没有那么多ground-truth类别（框多），而ImageNet有类别，但没有那么多ground-truth框。现在YOLO9000提供了一种将它们组合在一起的方法。