YOLOv2 详解
YOLOv2 / YOLO9000: Better, Faster, Stronger
论文: YOLO9000: Better, Faster, Stronger (CVPR 2017)
作者: Joseph Redmon, Ali Farhadi
一、核心思想 —— v1→v2 的范式升级
YOLOv2 的关键变革：从「直接预测坐标」→「基于锚框预测偏移量」，同时引入一系列工程改进，在速度不变甚至更快的前提下，大幅提升召回率和定位精度。
1 | YOLOv1: |
v1 的核心痛点 → v2 的解决：
| v1 痛点 | v2 解决 | 效果 |
|---|---|---|
| 定位精度差，召回率低 | Anchor Box 机制 | 召回率 81%→88% |
| 训练收敛慢 | Batch Normalization | mAP +2.4% |
| 每格只能预测 1 个物体 | Anchor 解耦：每个 Anchor 独立预测类别 | 密集场景大幅改善 |
| 小目标检测差 | Passthrough 细粒度特征融合 | mAP +1% |
| FC 层绑定分辨率 | 全卷积 + 多尺度训练 | 支持 320~608 任意输入 |
| 类别有限 (20类) | YOLO9000 联合训练 + WordTree | 可检测 9000+ 类 |
改进消融实验
论文中逐步叠加改进，清楚展示了每一项的贡献：
| 改进项 | 累积 mAP | 单项增益 |
|---|---|---|
| YOLOv1 基线 | 63.4% | — |
| + Batch Normalization | 65.8% | +2.4 |
| + 高分辨率分类器 (448×448) | 69.5% | +3.7 |
| + Anchor Box (416×416) | 69.2% | -0.3 (但召回率↑) |
| + 维度聚类 (K-means Anchor) | 74.0% | +4.8 |
| + 新网络 Darknet-19 | 73.2% | -0.8 |
| + 直接位置预测 (sigmoid约束) | 75.0% | +1.8 |
| + Passthrough 细粒度特征 | 76.4% | +1.4 |
| + 多尺度训练 | 77.9% | +1.5 |
| + 高分辨率检测器 (544×544) | 78.6% | +0.7 |
📌 总计：从 63.4% 提升到 78.6%，+15.2 mAP——且保持了实时速度！
二、网络架构：Darknet-19
2.1 设计理念
| 设计原则 | 说明 |
|---|---|
| 3×3 卷积为主 | 类似 VGG，结构简单规整 |
| 池化后通道翻倍 | 每次 2× 下采样，通道数 ×2（128→256→512→1024） |
| 1×1 降维卷积 | 置于 3×3 之间，压缩特征维度，减少计算量 |
| BN 全覆盖 | 每个卷积层后、激活函数前都加 Batch Normalization |
| 全局平均池化 | 替换 FC 层，消除固定分辨率限制 |
| 无 Dropout | BN 自带正则化效果，移除 Dropout 也不怕过拟合 |
2.2 完整架构
1 | 输入: 416×416×3 |
2.3 下采样过程
1 | 416×416 → Pool1 → 208×208 → Pool2 → 104×104 |
为什么输入是 416×416？
经过 5 次 2× 下采样 ($2^5 = 32$)，$416 / 32 = 13$，得到奇数尺寸的特征图。
奇数尺寸保证有唯一的中心网格，大型物体（通常位于图像中心）只需一个网格来预测，而不是分散在四个相邻网格中。
1 | 偶数特征图 (如 14×14): |
分类版 vs 检测版 Darknet-19：
- 分类版：最后一层为 global average pooling + softmax，输出 1000 类
- 检测版：移除最后的 conv、avgpool、softmax → 新增 3 个 3×3×1024 conv + Passthrough + 1×1×(5×(5+C)) 卷积输出层
2.4 与 VGG-16 / YOLOv1 对比
| 网络 | 卷积层 | 计算量 | ImageNet Top-1 | ImageNet Top-5 |
|---|---|---|---|---|
| VGG-16 | 16 | 306.9亿 | 73.0% | 91.2% |
| YOLOv1 (类GoogLeNet) | 24 | ~85亿 | — | 88.0% |
| Darknet-19 | 19 | 55.8亿 | 72.9% | 91.2% |
Darknet-19：VGG 级别的精度，~1/6 的计算量，快 6 倍！
三、图像预处理
3.1 输入处理流程
1 | 原始图像 (任意尺寸) |
3.2 多尺度训练
YOLOv2 的全卷积设计使其可以接受任意尺寸输入。每 10 个 batch 随机改变输入分辨率，强制网络学会在不同尺度下检测。
1 | 训练过程中: |
效果：同一网络在推理时可以灵活选择分辨率，在速度和精度间做折中。
四、Anchor Box 机制详解 🔥🔥🔥
这是 YOLOv2 最核心的变革。从 v1 的「一张白纸直接画」变成「给我一个模板，我来微调」。
4.1 为什么需要 Anchor Box？
1 | YOLOv1: 网络看到图片 → 从零猜测物体在哪里 → 前期训练极其困难 |
| 对比维度 | YOLOv1 (无Anchor) | YOLOv2 (有Anchor) |
|---|---|---|
| 坐标预测 | 直接输出 (x, y, w, h) | 输出相对于锚框的偏移 (tx, ty, tw, th) |
| 先验知识 | 无，网络从零学 | 有，聚类得到的 5 种典型形状 |
| 每格预测数 | 2 个 BBox | 5 个 Anchor Box |
| 类别预测 | 每格 1 组类别（共享） | 每个 Anchor 独立预测类别 |
| 总预测框 | 7×7×2 = 98 | 13×13×5 = 845 |
| 召回率 | 低 | 高 (框多了!) |
4.2 Anchor Box 工作原理
1 | 一张 416×416 图片 → 13×13 网格 → 每个网格预置 5 个锚框 |
4.3 直接位置预测（Direct Location Prediction）
YOLOv2 没有直接套用 Faster R-CNN 的 Anchor 公式，而是加了一个关键约束：sigmoid 限制中心点在网格内。
Faster R-CNN 的 Anchor 公式（无约束）：
$$x = (t_x \times w_a) + x_a$$
$$y = (t_y \times h_a) + y_a$$
❌ 问题：$t_x, t_y$ 无范围限制，预测框的中心可以跑到图的任意位置，训练初期极其不稳定。
YOLOv2 的改进公式（sigmoid 约束）：
$$b_x = \sigma(t_x) + c_x$$
$$b_y = \sigma(t_y) + c_y$$
$$b_w = p_w \cdot e^{t_w}$$
$$b_h = p_h \cdot e^{t_h}$$
$$\text{confidence} = \sigma(t_o)$$
| 符号 | 含义 |
|---|---|
| $t_x, t_y, t_w, t_h, t_o$ | 网络原始输出（5 个值 per anchor） |
| $\sigma(t_x), \sigma(t_y)$ | sigmoid 后 ∈ (0, 1)，相对于网格左上角的偏移 |
| $c_x, c_y$ | 当前网格的整数坐标（左上角在特征图中的位置，如 (0,0), (0,1), …, (12,12)） |
| $p_w, p_h$ | 该 Anchor 的预设宽高（由 K-means 聚类得到） |
| $b_x, b_y, b_w, b_h$ | 解码后的实际预测框坐标 |
4.4 坐标解码图解
1 | 特征图 13×13，设当前网格坐标为 (cx=3, cy=2)，Anchor 宽高为 (pw, ph) |
数学直观：
- $\sigma(t_x) = 0.5$ → 中心在网格正中
- $\sigma(t_x) \approx 0$ → 中心紧贴网格左边界
- $\sigma(t_x) \approx 1$ → 中心紧贴网格右边界
- $e^{t_w} = 1 \ (t_w=0)$ → 宽度 = Anchor 宽度（不变）
- $e^{t_w} > 1 \ (t_w>0)$ → 变宽
- $e^{t_w} < 1 \ (t_w<0)$ → 变窄
4.5 输出张量结构
1 | YOLOv2 (VOC, 20类, 5 Anchor): |
置信度定义（与 v1 一致）：
$$\text{confidence} = \text{Pr(Object)} \times \text{IoU}_{pred}^{truth}$$
推理时，$\sigma(t_o)$ 直接输出 confidence。
五、维度聚类 (Dimension Clusters) 🔑
不再手工设定 Anchor 尺寸，而是用 K-means 聚类从训练集 GT 框中自动发现最佳锚框形状。
5.1 为什么用 K-means？
1 | Faster R-CNN: 手工挑选 9 种 Anchor (3尺度 × 3比例) |
5.2 自定义距离度量
⚠️ 不能直接用欧氏距离！ 大框的欧氏距离天然大于小框，聚类会偏向大框。
YOLOv2 的距离公式：
$$d(\text{box}, \text{centroid}) = 1 - \text{IoU}(\text{box}, \text{centroid})$$
1 | 为什么不用欧氏距离？ |
5.3 K 值选择
| K 值 | 方法 | 平均 IoU |
|---|---|---|
| 5 | YOLOv2 K-means | 61.0% |
| 9 | Faster R-CNN 手工 | 60.9% |
| 9 | YOLOv2 K-means | 67.2% |
YOLOv2 仅用 5 个锚框就超过了 Faster R-CNN 的 9 个手工锚框！
K=5 是精度和速度的最佳平衡点。更多 Anchor → 更多计算 → 但精度提升递减。
5.4 VOC/COCO 聚类结果
以下数值为相对于特征图尺寸（13×13，每格视为 1×1 单位）的宽高。
| Anchor # | VOC 2007 (w, h) | COCO (w, h) | 适合检测 |
|---|---|---|---|
| 1 | (1.32, 1.73) | (0.57, 0.68) | 中等偏高物体（人） |
| 2 | (3.19, 4.01) | (1.87, 2.06) | 中大物体（站立的人/狗） |
| 3 | (5.06, 8.10) | (3.34, 5.47) | 高瘦物体（站着的人） |
| 4 | (9.47, 4.84) | (7.88, 3.53) | 宽扁物体（横躺的车） |
| 5 | (11.24, 10.01) | (9.77, 9.17) | 超大物体（近处主目标） |
转换为像素尺寸（416×416 输入）：乘以网格宽度 $416/13 \approx 32$
如 VOC Anchor 1: 1.32×32 ≈ 42px 宽，1.73×32 ≈ 55px 高
六、预测阶段（前向推断）详解
6.1 完整推理流程
1 | Step 1: Resize image → 416×416 (或其他 32 的倍数) |
6.2 网格划分策略
将输入图像划分为 13×13 = 169 个网格。
核心规则（与 v1 一致）：物体中心点落在哪个网格，该网格负责预测该物体。
但与 v1 不同的是：该网格内的 5 个 Anchor 中，与 GT 框 IoU 最大的那个 Anchor 负责预测。
1 | ┌───────────────────┐ |
6.3 每个网格的预测内容
每个网格预测 B=5 个 Anchor Box。
| 内容 | 每个 Anchor | 5个Anchor合计 |
|---|---|---|
| 坐标偏移 | $t_x, t_y, t_w, t_h$ (4个值) | 20 个值 |
| 置信度 | $\sigma(t_o)$ (1个值) | 5 个值 |
| 类别概率 | $P(class_i \mid Object)$ (20个值) | 100 个值 |
| 总计 | 25 个值/Anchor | 125 个值/网格 |
整张图产生: 13×13×5 = 845 个预测框（v1 仅 98 个！）
6.4 坐标解码（输入尺寸归一化）
最终需要将预测框坐标归一化到图像尺寸（便于后处理）：
设图像宽度为 $W$，高度为 $H$，网格宽度 $g_w = W/13$，网格高度 $g_h = H/13$：
$$\text{pixel_x_center} = (c_x + \sigma(t_x)) \times g_w$$
$$\text{pixel_y_center} = (c_y + \sigma(t_y)) \times g_h$$
$$\text{pixel_width} = p_w \cdot e^{t_w} \times g_w$$
$$\text{pixel_height} = p_h \cdot e^{t_h} \times g_h$$
实际实现中常用相对坐标（除以图像宽高），此处展示像素级换算以便理解。
6.5 Class-Specific Confidence Score
与 v1 的公式一致，但含义因 Anchor 而不同。
$$\text{Score} = P(Class_i \mid Object) \times \text{confidence}$$
$$= \underbrace{P(Class_i \mid Object)}{\text{该Anchor预测的类别概率}} \times \underbrace{\sigma(t_o)}{\text{该Anchor的置信度}}$$
1 | 具体计算 (每个网格): |
整张图产生: 13×13×5×20 = 16,900 个分数
七、IoU 计算方法
基本计算流程与 [[YOLOv1 详解#五、IoU 计算方法|YOLOv1 §五]] 完全一致，此处不再重复。
YOLOv2 中 IoU 的额外用途：
| 用途 | 何时 | 说明 |
|---|---|---|
| 训练时选 Anchor | 反向传播 | 5 个 Anchor 中与 GT IoU 最大的那个负责定位损失 |
| K-means 距离 | Anchor 聚类 | $d = 1 - \text{IoU}$ 作为聚类距离 |
| NMS 去重 | 推理后处理 | 同 v1 |
八、NMS（非极大值抑制）处理流程
同 [[YOLOv1 详解#六、NMS（非极大值抑制）处理流程|YOLOv1 §六]]，唯一变化是预测框数量从 98 → 845 个。
1 | 逐类别 NMS 步骤: |
九、训练阶段（反向传播）详解
9.1 训练参数设定
| 参数 | 值 | 含义 |
|---|---|---|
| 网格数 | 13×13 | 特征图尺寸 |
| B (Anchor 数) | 5 | 每网格 5 个锚框 |
| C | 20 (VOC) / 80 (COCO) | 类别数 |
| 输入尺寸 | 多尺度 (320~608) | 每 10 batch 随机换 |
| 输出张量 | 13×13×(5×(5+C)) | e.g. VOC → 13×13×125 |
9.2 检测框分配机制 —— Anchor 时代的核心 🔥🔥🔥
YOLOv2 的分配机制比 v1 多了一层：网格分配 → Anchor 分配。
1 | 层次化分配流程: |
第一步：网格分配 —— 谁”拥有”这个物体？
与 v1 完全一致：只看物体的几何中心点。
1 | 物体中心在格(6,4) → 格(6,4)负责 → 它的5个Anchor进入第二步竞争 |
第二步：Anchor 分配 —— 谁来”干活”？
1 | 网格(6,4) 有 5 个 Anchor (预聚类得到的5种形状): |
第三步：完整分配链示例
1 | 假设一张训练图有 3 个物体: 狗(中心在格(2,4))、车(在格(7,3))、人(在格(10,8)) |
v2 分配 vs v1 分配的对比
| 对比维度 | YOLOv1 | YOLOv2 |
|---|---|---|
| 每格几选一？ | 2 个 BBox 中 IoU 最大者 | 5 个 Anchor 中 IoU 最大者 |
| 类别归属 | 网格级别（两框共享） | Anchor 级别（独立） |
| 同格多类可行？ | ❌ 不行 | ✅ 可以 |
| 每格最多检出 | 1 个物体 | 5 个物体 (每Anchor一个) |
9.3 训练时的 Ground Truth 构造
基于以上分配机制，构造 13×13×(5×(5+C)) 的 target 张量。
1 | 对于坐标为 (i, j) 的网格，有 5 个 Anchor: |
9.4 训练时的 Confidence 计算细节
⚠️ 与 v1 同样：训练时 confidence 的 GT 是动态变化的！
| 情况 | Confidence GT / 处理 | 说明 | |
|---|---|---|---|
| 有物体的网格 + Responsible Anchor | $\hat{C} = \text{IoU}_{pred}^{truth}$ | rescore=1 时动态计算；rescore=0 时 $\hat{C}=1$ | |
| 有物体的网格 + 非 Responsible (IoU > 0.6) | ★ 完全忽略 | 不计算任何损失！预测得还行，不惩罚 | |
| 有物体的网格 + 非 Responsible (IoU < 0.6) | $\hat{C} = 0$ | 预测太差，confidence→0（仅置信度损失） | |
| 无物体的网格 + 所有 Anchor | $\hat{C} = 0$ | 全部 confidence→0 |
⚠️ 关键区别 vs v1：v1 所有非最佳 BBox 的 confidence 都→0。v2 中，IoU > 0.6 的框完全忽略——因为它们其实预测得还行，强行惩罚反而干扰训练。
9.5 损失函数 —— 完整版本 🔥🔥🔥
YOLOv2 的损失函数并非论文直接给出，以下是基于 Darknet 源码和社区分析的完整版。相比 v1 有三大关键变化：忽略阈值、前期 anchor 预热、小框权重修正。
$$\mathcal{L} = \underbrace{\lambda_{noobj}\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}_{ij}^{noobj}(C_i-\hat{C}i)^2}{\text{① 背景框的置信度损失（Max IOU < 0.6），}\hat{C}_i=0}$$
$$+ \underbrace{\lambda_{prior}\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}^{<12800}\left[(t_x-\hat{t}_x)^2+(t_y-\hat{t}_y)^2+(t_w-\hat{t}_w)^2+(t_h-\hat{t}h)^2\right]}{\text{② Anchor 先验损失（仅前12800次迭代），让预测快速学会锚框形状}}$$
$$+ \underbrace{\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}{ij}^{obj}\Bigg[\lambda{coord} \cdot (2 - w_{gt} \cdot h_{gt}) \cdot \big((t_x-\hat{t}x)^2+(t_y-\hat{t}y)^2\big)\Bigg]}{\text{③ 负责Anchor的中心偏移损失（小框通过 }(2-w{gt}h_{gt})\text{ 获得更大权重）}}$$
$$+ \underbrace{\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}{ij}^{obj}\Bigg[\lambda{coord} \cdot (2 - w_{gt} \cdot h_{gt}) \cdot \big((t_w-\hat{t}_w)^2+(t_h-\hat{t}h)^2\big)\Bigg]}{\text{④ 负责Anchor的宽高偏移损失（同样小框获得更大权重）}}$$
$$+ \underbrace{\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}_{ij}^{obj}(C_i-\hat{C}i)^2}{\text{⑤ 负责Anchor的置信度损失, }\hat{C}_i=\text{IoU (rescore=1时) 或 1 (rescore=0时)}}$$
$$+ \underbrace{\sum_{i=0}^{S^2}\sum_{j=0}^{B}\mathbb{1}{ij}^{obj}\sum{c \in classes}(p_i(c)-\hat{p}i(c))^2}{\text{⑥ 负责Anchor的类别概率损失}}$$
关键机制详解
① 背景框判定（Ignore Thresh）：
1 | 对每个预测框，计算它和所有 GT 框的 IoU，取最大值 Max_IOU: |
② Anchor 先验损失（Warmup）：
1 | 仅在前 12800 次迭代中生效。 |
③④ 小框权重修正 —— 替代 v1 的开根号：
1 | v1 对 w,h 开根号缓解大小框不平衡。 |
⑤ rescore 参数：
1 | rescore=1 (默认): 置信度 target = 预测框与 GT 的实时 IoU |
⑥ bias_match=1：
1 | 在计算 Anchor 与 GT 的 IoU 来分配 Responsible Anchor 时: |
完整的损失参与矩阵
1 | 每个预测框参与哪些损失？ |
与 v1 损失函数的关键区别
| 区别 | YOLOv1 | YOLOv2 |
|---|---|---|
| 位置损失目标 | 直接回归 (x,y,w,h) | 回归偏移量 (tx,ty,tw,th) |
| 大小框平衡 | w,h 开根号 | $(2 - w_{gt} \cdot h_{gt})$ 权重系数 |
| 非最佳框处理 | 全部 confidence→0 | IoU>0.6 忽略，IoU<0.6 →0 |
| 训练早期稳定 | 无特殊处理 | 前12800次迭代 Anchor 先验损失 |
| 置信度 target | 固定 IoU | rescore=0→1, rescore=1→动态IoU |
| 类别损失 | 网格级别（每格1组） | Anchor 级别（独立） |
| Anchor匹配 | 无 | bias_match=1，仅按形状匹配 |
9.6 损失函数权重
| 参数 | 值 | 原因 |
|---|---|---|
| λ_coord | 5 | 定位权重，定位比分类更重要 |
| λ_noobj | 0.5 | 无目标置信度惩罚权重（845个框中绝大多数是背景） |
| λ_prior | 0.01 | Anchor 先验损失权重（warmup 阶段，不宜太大） |
| ignore_thresh | 0.6 | IoU > 此值的非 Responsible 框完全忽略 |
9.7 训练流程伪代码
1 | # 简化版 YOLOv2 训练循环 |
十、各项改进深度解析
10.1 Batch Normalization（批量标准化）🔑
位置: 每个卷积层后、激活函数前
效果: mAP +2.4%，可去掉 Dropout
公式：
$$\hat{x}^{(k)} = \frac{x^{(k)} - \mu_{batch}}{\sqrt{\sigma_{batch}^2 + \epsilon}}$$
$$y^{(k)} = \gamma^{(k)}\hat{x}^{(k)} + \beta^{(k)}$$
| 参数 | 含义 |
|---|---|
| $\mu_{batch}$ | 当前 batch 的均值 |
| $\sigma_{batch}^2$ | 当前 batch 的方差 |
| $\gamma, \beta$ | 可学习的缩放和偏移参数 |
| $\epsilon$ | 防止除零的小常数 |
为什么 BN 能加速训练？
1 | 没有 BN: 每层输入分布随前层参数更新而漂移 (Internal Covariate Shift) |
10.2 高分辨率分类器 (High Resolution Classifier)
v1 的问题：分类预训练用 224×224，检测微调突然跳到 448×448 → 网络要同时适应分辨率变化和学习检测。
1 | YOLOv1 的训练流程: |
10.3 Passthrough Layer（细粒度特征融合）
问题: 13×13 特征图对小物体来说太粗糙了，一个网格覆盖 32×32 像素区域，小鸟可能只占几个像素。
解决: 把浅层的高分辨率特征”搬运”到检测层。
1 | Passthrough 操作 (也叫 Space-to-Depth / Reorg): |
10.4 多尺度训练
YOLOv2 去掉 FC 层后变成全卷积网络 → 可以接受任意尺寸输入。
1 | 训练策略: |
十一、YOLO9000：检测 9000+ 类别
YOLOv2 是检测网络，YOLO9000 是在其基础上的训练方法论创新——联合训练检测+分类数据，使模型能检测远超检测数据集标注范围的类别。
⚠️ YOLO9000 网络调整：为控制输出尺寸，Anchor 数从 5 减至 3，每个 Anchor 需预测 $4+1+9418=9423$ 个值 → 每网格 $3\times9423=28269$，特征图 $13\times13\times28269$。
11.1 核心挑战
1 | 检测数据集 (如 COCO): 有框+类别 → 可训练定位+分类 → 但类别少 (80类) |
11.2 WordTree 层次分类
将 ImageNet 和 COCO 的类别组织成一个树形层次结构（基于 WordNet）。
1 | WordTree 示意: |
11.3 联合训练策略
1 | 训练时混合两个数据源: |
11.4 YOLO9000 性能
| 数据集 | 能力 |
|---|---|
| COCO (80类) | mAP 较低 (训练数据不足)，但概念验证成功 |
| ImageNet Detection (200类) | 19.7 mAP |
| 未在检测数据中见过的 156 类 | 16.0 mAP ← 零样本检测！ |
十二、优缺点深度分析
优点 ✅
- 实时性顶级: 67 FPS @ 76.8 mAP，91 FPS @ 69.0 mAP（当时最快）
- 召回率大幅提升: Anchor Box 机制使候选框从 98→845，召回率 81%→88%
- 多尺度灵活: 同一模型可在 320~608 间自由切换，精度/速度灵活折中
- 小目标改善: Passthrough 层保留细粒度空间信息
- 训练高效: BN 加速收敛，K-means Anchor 减少无效搜索
- 全卷积设计: 不受固定输入尺寸限制
- YOLO9000 泛化能力: 可检测训练中未见过的类别（零样本检测）
局限 ❌
- 单尺度特征图检测: 只在 13×13 一层上预测，对不同尺度目标覆盖不足（v3 改进为 3 尺度 FPN）
- 小目标仍不理想: Passthrough 缓解但未根治（不像 v3 有专门的大尺度检测层）
- Anchor 仍需手工 K 值: K=5 是经验选择，不同数据集可能需要不同 K
- 损失函数仍用 SSE: 分类和置信度用均方误差不如交叉熵合理（v3 改进）
- 每 Anchor 独立分类: 5 个 Anchor 各自做 softmax → 同一网格可能对同一物体输出多个类
- 无残差连接: Darknet-19 是纯 VGG 风格，深层梯度传递不如 ResNet（v3 引入残差）
十三、性能表现
13.1 VOC 2007
| 模型 | mAP | FPS |
|---|---|---|
| YOLOv1 | 63.4% | 45 |
| Fast R-CNN | 70.0% | 0.5 |
| Faster R-CNN (VGG-16) | 73.2% | 7 |
| Faster R-CNN (ZF) | 62.1% | 17 |
| SSD300 | 74.3% | 46 |
| SSD500 | 76.8% | 19 |
| YOLOv2 288×288 | 69.0% | 91 |
| YOLOv2 352×352 | 73.7% | 81 |
| YOLOv2 416×416 | 76.8% | 67 |
| YOLOv2 480×480 | 77.8% | 59 |
| YOLOv2 544×544 | 78.6% | 40 |
13.2 COCO
| 模型 | mAP@0.5 | mAP@[0.5:0.95] |
|---|---|---|
| YOLOv2 416×416 | 44.0% | 21.6% |
| YOLOv2 608×608 | 48.1% | — |
| SSD300 | 43.1% | 25.1% |
| SSD512 | 48.5% | 28.8% |
十四、训练配置
14.1 三阶段训练流程
1 | ════════════════════════════════════════════════════════ |
14.2 关键超参数汇总
| 配置项 | 第一阶段(分类) | 第二阶段(高分辨率) | 第三阶段(检测) |
|---|---|---|---|
| 数据集 | ImageNet | ImageNet | VOC / COCO |
| 输入尺寸 | 224×224 | 448×448 | 320~608 (多尺度) |
| Epochs | 160 | 10 | 160 |
| 初始学习率 | 0.1 | 0.001 | 0.001 |
| 学习率衰减 | 多项式(power=4) | — | ×0.1 @60,90 epoch |
| 权重衰减 | 0.0005 | 0.0005 | 0.0005 |
| 动量 | 0.9 | 0.9 | 0.9 |
| Batch Size | 64 | 64 | 64 |
| Anchor 数 | — | — | 5 (K-means) |
| Ignore Thresh | — | — | 0.6 |
| Warmup Iter | — | — | 12800 |
十五、相关链接
- 📝 [[YOLO 系列总览]] — 版本对比总览
- 📝 [[YOLOv1 详解]] — v1 基础（Grid/置信度/NMS 详见此处）
- 📝 [[YOLO 核心概念]] — Grid/Anchor/IoU/NMS 详解
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/YOLO学习笔记2——YOLOv2详解]] — 知乎原文 (rtfff，含损失函数源码分析)
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/【YOLO系列】YOLOv2论文超详细解读（翻译 ＋学习笔记）-阿里云开发者社区]] — 论文翻译+精读笔记
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/YOLOv2 詳細解讀]] — Medium 原文 (Steven Meng，含 K-means 步骤图解)
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/深入解析YOLOv2]] — CSDN (festaw)
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/YOLO系列算法精讲：从yolov1至yolov8的进阶之路（2万字超全整理）-CSDN博客]] — CSDN (AI菌)
- 📋 [[10.clippings/感知算法/2D检测/单阶段/YOLO/YOLO 详解：从 v1 到 v11]] — 知乎 v1→v11 系列
本博客所有文章除特别声明外，均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来源 TeachCraft Blog！
评论