0
点赞
收藏
分享

微信扫一扫

YOLO承上启下---YOLOV2的精进

YOLO v2 也即 YOLO 9000

YOLO v2改进的地方

0. 主干网络从GoogleNet 换成性能更好的Darknet19.提取特征更细粒度。

1. YOLO v2受到faster rcnn的启发,引入了anchor。(anchor是通过在训练集上K-Means方法得到的)

2. 引入BN层,训练更快,更稳定,取代dropout防止过拟合,同时提升了mAP值。参考1

3. 预训练模型先在224×224数据集上训练,最后在448×448数据集上训练10轮,使模型适应检测的448×448分辨率的输入,最终提升了4%的 mAP。

4. 当时主流骨干网络是VGG16,作者发明了一种新的骨干网络DarkNet-19,不仅准确率更高,速度还更快。参考1

5. 损失函数也做了相应的改进,让定位框预测更加准确了

6. 去掉了全连接层,使得输入尺寸可以不用固定在448*448

YOLO v1对于bounding box的定位不是很好,在精度上比同类网络还有一定的差距,所以YOLO v2对于速度和精度做了很大的优化,并且吸收了同类网络的优点,一步步做出尝试。

 YOLOV2 通过 最后倒数第二层网络叠加的,以及多anchor boxes 的机制,让识别的目标更多,同时也加强了小目标的识别能力。

YOLOV2 输出的变化,从7*7*30 变化到了 13*13*5*25

截图等参考:

1.YOLO算法之YOLOv2精讲_哔哩哔哩_bilibili

2. 【精读AI论文】YOLO V2目标检测算法_哔哩哔哩_bilibili

举报

相关推荐

0 条评论