YOLO系列的Backbone改进历史

原创

已于 2022-09-19 00:03:01 修改 · 2.1k 阅读

于 2022-08-22 11:00:27 首次发布

YOLO（You Only Look Once）系列模型在目标检测领域不断发展，其Backbone网络从YOLOv1的VGG13到YOLOv2的Darknet19，再到后续版本的更复杂结构，不断提升特征提取能力。YOLOv2引入了DarkNet，通过多个3x3卷积替代7x7卷积，减少参数并增加非线性操作。此外，它采用全局平均池化取代全连接层，允许输入尺寸变化，利于小目标检测。训练过程分为先训练分类模型，再训练检测模型。YOLOv2的检测头包括层融合和Passthrough层，用于更好地捕捉不同尺度的目标。同时，YOLOv2引入了Anchors机制，改进了坐标预测方式。

Backbone决定了模型的特征提取精度，backbone后面一般接的就是检测头Head。
YOLO v1只是把最后的特征分成了 7x7 个grid，到了YOLO v2就变成了13x13 个grid，再到YOLO v3 v4 v5就变成了多尺度的(strides=8,16,32)，更加复杂了。那为什么一代比一代检测头更加复杂呢？
答案是：因为它们的提特征网络更加强大了，能够支撑起检测头做更加复杂的操作。换句话说，如果没有backbone方面的优化，你即使用这么复杂的检测头，可能性能还会更弱。所以引出了今天的话题：yolo系列中的backbone的改进历史。

Yolov1

图一

可以看到首先是7x7的卷积核，后面是3x3的卷积核，中间穿插1x1的卷积来节约参数，最后2层是全连接层。
画图的规律是安装feature map的分辨率来，两个分辨率之间的卷积操作数目不同，但是在代码里面他们都会被放在一起进行运算。比如从28x28到14x14的操作，实际上是经过了四次gap层，举例对于vgg13来说：

# vgg13 不加bn 的配置
cfg =[64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M']
def make_layers(cfg, batch_norm=False):
    layers = []
    in_channels = 3
    s = 1
    first_flag=True 
    for v in cfg:
        s=1
        if (v==64 and first_flag):
            s=2 
            #第一层的时候，stride是2，同时进行一次maxpooling，所以feature map从448到了112

标签

#深度学习