依赖锚框： YOLO v2
针对YOLO v1的不足， 2016年诞生了YOLO v2。 相比起第一个版本， YOLO v2预测更加精准（Better） 、 速度更快（Faster） 、 识别的物体类别也更多（Stronger） ， 在VOC 2007数据集上可以得到mAP 10%以上的提升效果。
YOLO v2从很多方面对YOLO做出了改进， 大体可以分为网络结构的改善、 先验框的设计及训练技巧3个方面， 下面主要就这三部分进行讲解。
1. 网络结构的改善
首先， YOLO v2对于基础网络结构进行了多种优化， 提出了一个全新的网络结构， 称之为DarkNet。 原始的DarkNet拥有19个卷积层与5个池化层， 在增加了一个Passthrough层后一共拥有22个卷积层， 精度与VGGNet相当， 但浮点运算量只有VGGNet的1/5左右， 因此速度极快，具体结构如图6.4所示。
相比起v1版本的基础网络， DarkNet进行了以下几点改进：
·BN层： DarkNet使用了BN层， 这一点带来了2%以上的性能提升。BN层有助于解决反向传播中的梯度消失与爆炸问题， 可以加速模型的收敛， 同时起到一定的正则化作用。 BN层的具体位置是在每一个卷积之后， 激活函数LeakyReLU之前。
·用连续3×3卷积替代了v1版本中的7×7卷积， 这样既减少了计算量， 又增加了网络深度。 此外， DarkNet去掉了全连接层与Dropout层。
·Passthrough层： DarkNet还进行了深浅层特征的融合， 具体方法是将浅层26×26×512的特征变换为13×13×2048， 这样就可以直接与深层
13×13×1024的特征进行通道拼接。 这种特征融合有利于小物体的检测，也为模型带来了1%的性能提升。
·由于YOLO v2在每一个区域预测5个边框， 每个边框有25个预测值， 因此最后输出的特征图通道数为125。 其中， 一个边框的25个预测值分别是20个类别预测、 4个位置预测及1个置信度预测值。 这里与v1有很大区别， v1是一个区域内的边框共享类别预测， 而这里则是相互独立的类别预测值。
下面从代码角度介绍如何搭建DarkNet网络， 源代码文件见darknet.py。 和第3章常见的基础结构一样， 在实现时， 可以定义一个_make_layers函数， 通过输入不同的配置， 可以快速搭建整个基础网络。
为了完成整个网络的搭建、 前向与自动反向传播， 在此定义了一个DarkNet19类， 继承自nn.Module， 通过网络配置信息快速构建出每一个模块。
2. 先验框的设计
YOLO v2吸收了Faster RCNN的优点， 设置了一定数量的预选框，使得模型不需要直接预测物体尺度与坐标， 只需要预测先验框到真实物体的偏移， 降低了预测难度。
关于先验框， YOLO v2首先使用了聚类的算法来确定先验框的尺度， 并且优化了后续的偏移计算方法， 下面详细介绍这两部分。先验框的设计为YOLO v2带来了7%的召回率提升。
2.1 聚类提取先验框尺度
Faster RCNN中预选框（即Anchor） 的大小与宽高是由人手工设计的， 因此很难确定设计出的一组预选框是最贴合数据集的， 也就有可能为模型性能带来负面影响。
针对此问题， YOLO v2通过在训练集上聚类来获得预选框， 只需要设定预选框的数量k， 就可以利用聚类算法得到最适合的k个框。 在聚类时， 两个边框之间的距离使用式（6-2） 的计算方法， 即IoU越大， 边框距离越近。
在衡量一组预选框的好坏时， 使用真实物体与这一组预选框的平均IoU作为标准。 值得一提的是， 这一判断标准在手工设计预选框的方法中也可以使用。
至于预选框的数量选取， 显然数量k越多， 平均IoU会越大， 效果会更好， 但相应的也会带来计算量的提升， YOLO v2在速度与精度的权衡中选择了预选框数量为5。
2.2 优化偏移公式
有了先验框后， YOLO v2不再直接预测边框的位置坐标， 而是预测先验框与真实物体的偏移量。 在Faster RCNN中， 中心坐标的偏移公式如式（6-3） 所示。
公式中wa、 ha、 xa及ya代表Anchor的宽高与中心坐标， tx与ty是模型预测的Anchor相对于真实物体的偏移量， 经过计算后得到预测的物体中心坐标x和y。
YOLO v2认为这种预测方式没有对预测偏移进行限制， 导致预测的边框中心可以出现在图像的任何位置， 尤其是在训练初始阶段， 模型参数还相对不稳定。 例如tx是1与-1时， 预测的物体中心点会有两个宽度的差距。
公式中参数的意义可以与图6.5结合进行理解， 图中实线框代表预测框， 虚线框代表先验框：
·cx与cy代表中心点所处区域左上角的坐标， pw与ph代表了当前先验框的宽高， 如图6.5中的虚线框所示。
·σ(tx)与σ(ty)代表预测框中心点与中心点所处区域左上角坐标的距离， 加上cx与cy即得到预测框的中心坐标。
·tw与th为预测的宽高偏移量。 先验框的宽高乘上指数化后的宽高偏移量， 即得到预测框的宽高。
·公式中的σ代表Sigmoid函数， 作用是将坐标偏移量化到(0,1)区间，这样得到的预测边框的中心坐标bx、 by会限制在当前区域内， 保证一个区域只预测中心点在该区域内的物体， 有利于模型收敛。
·YOLO v1将预测值t0作为边框的置信度， 而YOLO v2则是将做Sigmoid变换后的σ(t0)作为真正的置信度预测值。
下面从代码角度介绍一下DarkNet的前向过程， 模型的输出包含每一个预选框的类别预测、 位置预测及置信度预测， 然后再进一步处理为可以方便计算损失的形式。
3. 正、 负样本与损失函数
关于正、 负样本的选取， YOLO v2基本保持了之前的方法， 其基本流程如下：
首先利用式（6-4） ， 将预测的位置偏移量作用到先验框上， 得到预测框的真实位置。
如果一个预测框与所有真实物体的最大IoU小于一定阈值（默认为0.6） 时， 该预测框视为负样本。
每一个真实物体的中心点落在了某个区域内， 该区域就负责检测该物体。 具体做法是将与该物体有最大IoU的预测框视为正样本。
确定了正样本与负样本后， 最后是网络损失的计算。 由于利用了先验框， YOLO v2的损失函数也相应的进行了改变， 公式如式（6-5） 所示。
损失一共有5项组成， 意义分别如下：
·第一项为负样本的置信度损失， 公式中1max IoU<Thresh表示最大IoU小于阈值， 即负样本的边框， λnoobj是负样本损失的权重， boijk为置信度σ(to)。
·第二项为先验框与预测框的损失， 只存在于前12800次迭代中， 目的是使预测框先收敛于先验框， 模型更稳定。
·第三项为正样本的位置损失， 表示筛选出的正样本， 为权重。
·后两项分别为正样本的置信度损失与类别损失， 为置信度的真值。
在计算正、 负样本的过程中， 虽然有些预测框的最大IoU可能小于0.6， 即被赋予了负样本， 但如果后续是某一个真实物体对应的最大IoU的框时， 该预测框会被最终赋予成正样本， 以保证recall。
有些预测框的最大IoU大于0.6， 但是在一个区域内又不是与真实物体有最大IoU， 这种预测框会被舍弃掉不参与损失计算， 既不是正样本也不是负样本。