YOLOV2网络架构
采用Darkent-19作为新的主干网络。
Darkent-19中只有1*1和3*3的卷积核，但是YOLOv1中还有7*7的卷积核。YOLOv2直接舍弃了大
的卷积核。比如我们使用7*7的卷积核进行运算，需要的权重参数是49个，但是如果我们使用3个
3*3 卷积核，需要的权重参数是27个，感受野还相同。5*5的卷积核相当于两个3*3的卷积核。（权
重参数从25个降低到17个）。Darkent-19在每个网络之后进行了批量归一化操作。
YOLOv1 先用 224×224 的 ImageNet 数据预训练分类模型（分类训练阶段），再将输入尺寸放大
到 448×448，在检测数据集上微调，最终得到一个端到端的目标检测器。（检测训练阶段）
| 阶段 | 输入尺寸 | 数据集 | 目标 |
| 分类训练阶段（左） | 224×224 | ImageNet | 学习通用图像特征 |
| 检测训练阶段（右） | 448×448 | Pascal VOC 等检测数据集 | 学习目标定位与检测 |
YOLOv2 延续了 “先预训练，再检测微调” 的思路，但做了更精细的优化，分为两大阶段：
| 阶段 | 子步骤 | 输入尺寸 | 数据集 | 关键信息 |
| 预训练阶段 | Train | 224×224 | ImageNet | 160 个 epoch |
| Fine-tune | 448×448 | ImageNet | 10 个 epoch | |
| 检测阶段 | Detection | 416×416（或 352/608） | Pascal VOC & COCO | 尺寸是 32 的倍数，每 10 个批次更换尺寸 |
上面原始论文上的网络架构仅仅是预训练阶段的（分类训练）的网络架构。在检测阶段和实际的使
用当中，后面的部分会被替换掉。只保留网络主干部分。
在 YOLOv2 的网络结构中，模型保留了 Darknet-19 作为骨干特征提取网络，并在其后额外堆叠了
两个卷积层。为了融合不同层级的特征信息，模型引入了直通层（Passthrough Layer）：将骨干
网络第 5 组卷积层输出的高分辨率浅层特征，进行空间到通道（Space-to-Depth）的重排后，与
网络尾部卷积层输出的低分辨率深层特征进行拼接融合。最后，再通过两个卷积层直接输出目标检
测结果。直通层的设计实现了高低分辨率特征的有效融合，显著提升了模型对小目标的检测能力。
我们以 26×26 特征图为例，将其左上角的 2×2 区域划分为 4 个不同颜色的格子，并以步长 2 遍历
整个特征图。遍历完成后，将所有相同颜色的格子按通道维度进行重组，原本的 26×26 特征图就
会被转换为 13×13×4 的特征张量，这就是典型的 Space-to-Depth（空间到深度）重排操作。
在 YOLOv2 的直通层（Passthrough Layer）中，该操作会被应用于骨干网络输出的 512 通道
26×26 特征图：通过上述 2×2 分块与重组，空间维度上的信息被重排到通道维度中，最终得到一
个 13×13×2048 的特征张量。
随后，这个 13×13×2048 的高分辨率特征，会与网络深层输出的 13×13×1024 低分辨率特征进行
通道拼接，最终得到一个 13×13×3072 的融合特征图。
直通层通过这种方式，实现了浅层细粒度特征与深层语义特征的有效融合，解决了 YOLOv1 中小
目标检测精度低的问题，让模型能够捕捉到更多细节信息，从而显著提升了小目标的检测性能。
锚框和位置偏移运算
模型最终输出为尺寸 13×13×5×(5+C)的三维特征矩阵。
其中，参数 5代表 YOLOv2 为每个网格预先设定的5 组先验锚框。
整张特征图共划分为 13×13个网格单元，每个网格都会独立预测 5 个边界框。
维度 (5+C)为单个预测框的输出向量长度，含义如下：
前 4 个数值：分别预测目标边界框的中心偏移量、框体宽度与高度；
第 5 个数值：目标存在置信度，用于判断该区域内是否包含物体；
末尾 C个数值：对应全部目标类别的预测概率。
在后处理阶段，置信度分支的输出需经过 Sigmoid 激活函数映射至 0～1 区间，以此得到最终有
效的目标置信得分，完成检测结果的解码与输出。
在现实场景中，待检测目标的外形与尺寸往往具备固定规律。例如：行人多呈现竖向长条形态，俯
视视角下的车辆则偏向宽矩形结构。不难发现，不同类别的物体，其边界框的长宽比例、尺寸大小
都存在明显共性。
我们可以从数据集中归纳出一批具有代表性、普适性较强的边界框尺寸与比例，将这类起到先验模
板作用的基准框，定义为锚框（Anchor）。
为了获得适配数据集、泛化性更强的通用锚框，YOLOv2/YOLOv5 不再依靠人工经验手动设定尺
寸，而是采用聚类算法，对数据集中所有真实标注的边界框做维度聚类分析，自动统计并归纳特
征，最终筛选出 5 组最具代表性、贴合目标实际形态的锚框，以此作为模型的先验基准框，提升边
界框回归精度与检测效果。
模型将特征图划分为 13×13个网格单元，每个网格会从预设的一组锚框中，匹配并选用最合适的先
验锚框。以划分为 13×13网格的图像为例，首先标注出真实目标框及其中心位置。在训练阶段，模
型会为每个真实目标，逐一计算其与全部候选锚框的交并比（IoU），筛选出交并比最大的最优锚
框作为匹配基准。该匹配锚框的中心会落在对应网格内，随后以这个最优锚框为参照，结合模型实
时预测的边界框参数，计算坐标、宽高的偏移误差，以此完成边界框的回归训练，不断修正预测框
位置，提升定位精度。
锚框的尺寸为数据集图像下的相对尺度，具备较强的数据依赖性，因此需要根据自身数据集的目标
分布，定制适配的专属锚框，才能更好贴合实际检测场景。
以单个网格为例：假设第二行第二个网格中，红色框为模型输出的预测边界框，蓝色框为该网格匹
配的先验锚框。目标中心的偏移参数由模型直接回归预测得到。训练过程中，模型以蓝色锚框作为
基准模板，结合预测框坐标、宽高、置信度与类别信息，与真实标注框进行比对，进而计算坐标偏
差损失、置信度损失与分类损失，完成参数的迭代优化。
总结一下：
锚框是基于数据集目标特征预先设定的先验基准框，提前归纳了物体常见的尺寸与长宽比例；
为模型提供固定参考模板，避免网络凭空预测目标尺寸与形态，降低学习难度；
模型无需直接预测完整边界框，仅需以匹配的锚框为基础，微调中心坐标、宽高尺寸，简化回归任务；
适配不同形态的检测目标，有效提升边界框定位精度，加快模型收敛速度，改善小目标、异形目标的检测效果。
【1】参考
大白话讲明白Yolov3的Darknet-53网络架构 #YOLO #YOLOv3 #目标检测 #知识前沿派对 #深度学习 - 抖音
