YOLOv2檢測過程的Tensorflow實現是怎樣的

YOLOv2檢測過程的Tensorflow實現是怎樣的，很多新手對此不是很清楚，為了幫助大家解決這個難題，下面小編將為大家詳細講解，有這方面需求的人可以來學習下，希望你能有所收獲。

一、全部代碼解讀如下：

1、model_darknet19.py：yolo2網絡模型——darknet19。

YOLOv2采用了一個新的基礎模型（特征提取器），稱為Darknet-19，包括19個卷積層和5個maxpooling層，如下圖。Darknet-19與VGG16模型設計原則是一致的，主要采用3*3卷積，采用2*2的maxpooling層之后，特征圖維度降低2倍，而同時將特征圖的channles增加兩倍。

主要特點有：

（1）去掉了全連接層fc

·這樣大大減少了網絡的參數，個人理解這是yolo2可以增加每個cell產生邊界框以及每個邊界框能夠單獨的對應一組類別概率的原因。

·并且，網絡下采樣是32倍，這樣也使得網絡可以接收任意尺寸的圖片，所以yolo2有了Multi-Scale Training多尺度訓練的改進：輸入圖片resize到不同的尺寸（論文中選用320,352...，608十個尺寸，下采樣32倍對應10*10~19*19的特征圖）。每訓練10個epoch，將圖片resize到另一個不同的尺寸再訓練。這樣一個模型可以適應不同的輸入圖片尺寸，輸入圖像大(608*608)精度高速度稍慢、輸入圖片小(320*320)精度稍低速度快，增加了模型對不同尺寸圖片輸入的魯棒性。

（2）在每個卷積層后面都加入一個BN層并不再使用droput

·這樣提升模型收斂速度，而且可以起到一定正則化效果，降低模型的過擬合。

（3）采用跨層連接Fine-Grained Features

·YOLOv2的輸入圖片大小為416*416，經過5次maxpooling（下采樣32倍）之后得到13*13大小的特征圖，并以此特征圖采用卷積做預測。這樣會導致小的目標物體經過5層maxpooling之后特征基本沒有了。所以yolo2引入passthrough層：前面的特征圖維度是后面的特征圖的2倍，passthrough層抽取前面層的每個2*2的局部區域，然后將其轉化為channel維度，對于26*26*512的特征圖，經passthrough層處理之后就變成了13*13*2048的新特征圖，這樣就可以與后面的13*13*1024特征圖連接在一起形成13*13*3072大小的特征圖，然后在此特征圖基礎上卷積做預測。作者在后期的實現中借鑒了ResNet網絡，不是直接對高分辨特征圖處理，而是增加了一個中間卷積層，先采用64個1*1卷積核進行卷積，然后再進行passthrough處理，這樣26*26*512的特征圖得到13*13*256的特征圖。這算是實現上的一個小細節。

2、decode.py：解碼darknet19網絡得到的參數.

3、utils.py：功能函數，包含：預處理輸入圖片、篩選邊界框NMS、繪制篩選后的邊界框。

這里著重介紹NMS中IOU計算方式：yolo2中計算IOU只考慮形狀，先將anchor與ground truth的中心點都偏移到同一位置（cell左上角），然后計算出對應的IOU值。

IOU計算難點在于計算交集大小：首先要判斷是否有交集，然后再計算IOU。計算時候有一個trick，只計算交集部分的左上角和右下角坐標即可，通過取max和min計算：

4、Main.py：YOLO_v2主函數

對應程序有三個步驟：

（1）輸入圖片進入darknet19網絡得到特征圖，并進行解碼得到：xmin xmax表示的邊界框、置信度、類別概率

（2）篩選解碼后的回歸邊界框——NMS

（3）繪制篩選后的邊界框

運行環境：

Python3 + Tensorflow1.5 + OpenCV-python3.3.1 + Numpy1.13
windows和ubuntu環境都可以

準備工作：

請在yolo2檢測模型下載模型，并放到yolo2_model文件夾下

https://pan.baidu.com/s/1ZeT5HerjQxyUZ_L9d3X52w

文件說明：

1、model_darknet19.py：yolo2網絡模型——darknet19
2、decode.py：解碼darknet19網絡得到的參數
3、utils.py：功能函數，包含：預處理輸入圖片、篩選邊界框NMS、繪制篩選后的邊界框
4、config.py：配置文件，包含anchor尺寸、coco數據集的80個classes類別名稱
5、Main.py：YOLO_v2主函數，對應程序有三個步驟：
（1）輸入圖片進入darknet19網絡得到特征圖，并進行解碼得到：xmin xmax表示的邊界框、置信度、類別概率
（2）篩選解碼后的回歸邊界框——NMS
（3）繪制篩選后的邊界框
6、Loss.py：Yolo_v2 Loss損失函數（train時候用，預測時候沒有調用此程序）
（1）IOU值最大的那個anchor與ground truth匹配，對應的預測框用來預測這個ground truth:計算xywh、置信度c(目標值為1)、類別概率p誤差。
（2）IOU小于某閾值的anchor對應的預測框：只計算置信度c(目標值為0)誤差。
（3）剩下IOU大于某閾值但不是max的anchor對應的預測框：丟棄，不計算任何誤差。
7、yolo2_data文件夾：包含待檢測輸入圖片car.jpg、檢測后的輸出圖片detection.jpg、coco數據集80個類別名稱coco_classes.txt

運行Main.py即可得到效果圖：

1、car.jpg：輸入的待檢測圖片

2、detected.jpg：檢測結果可視化

可以看到，跟yolo1對比，yolo2引入anchor后檢測精度有了提升（car和person的類別置信度高了許多），并且每個邊界框對應一組類別概率解決了yolo1中多個目標中心點落在同一個cell只能檢測一個物體的問題（左側兩個person都檢測出來了）。相比yolo1還是有一定提升的。

看完上述內容是否對您有幫助呢？如果還想對相關知識有進一步的了解或閱讀更多相關文章，請關注億速云行業資訊頻道，感謝您對億速云的支持。