YOLO9000架构——更快、更强

YOLO v2 和 YOLO 9000 由 J. Redmon 和 A. Farhadi 于 2016 年在题为YOLO 9000: Better, Faster, Stronger 的论文中提出。在 67 FPS 时，YOLOv2 的 mAP 为 76.8%，而在 67 FPS 时，它在 VOC 2007 数据集上提供了 78.6% 的 mAP，优于Faster R-CNN和SSD 等模型。 YOLO 9000 使用 YOLO v2 架构，但能够检测 9000 多个类。然而，YOLO 9000 的 mAP 为 19.7% mAP，其中 156 个不在 COCO 中的类的 mAP 为 16%。但是，YOLO 可以预测 9000 多个类。

建筑学：

Darknet-19 架构

YOLO9000 的架构与 YOLOv2 的架构非常相似。它还使用 Darknet-19 架构作为其深度神经网络 (DNN) 架构。然而，它们的主要区别在于分类架构。下面我们来看看YOLO 9000分类架构：

分类任务：
对象检测数据集（COCO：80 个类）的类比分类（ImageNet：22k 个类）少得多。扩展YOLO可以检测的类。该论文提出了一种将分类和检测任务与检测合并的方法。它使用端到端网络进行训练，同时反向传播分类损失。然而，简单合并检测和分类的所有类的问题并不是简单地相互排斥的。例如，在 COCO 数据集中，类标签是通用类，如猫、狗等。但在 Imagenet 中，有特定类（例如，对于狗，我们有类诺福克梗”、“约克夏梗”或“贝灵顿梗”）。对于“Dog”和“Norfolk terrier”，我们也不能有不同的 softmax 类，因为它们不是相互排斥的。

我们不能直接组合，因为这些类不是互斥的

等级分类：
YOLO9000 提出了一种称为层次分类的方法。在这种方法中。当我们进行分类时，他们提出了一种基于层次树的结构来表示类及其子类。例如，诺福克梗属于“梗犬”，而“梗犬”又属于“狗”类。这种结构的灵感来自 WordNet。但是，它没有使用图形结构，而是使用基于 Imagenet 数据集中图像集合概念的分层树结构）。这种层次结构称为 WordTree。

词树示例

为了执行分类，此 WordTree 在每个节点级别使用条件概率。要计算叶节点（特定类）的条件概率，我们需要乘以其所有父节点的条件概率。该架构将“物理对象”定义为其根节点认为 P _r (Physical Object) =1。
例如，不同类型梗犬的条件概率可以计算为：

现在，我们可以获得对象属于“诺福克梗”类的绝对概率。

这里，论文以ImageNet-1000为例进行实验。我们没有创建 1000 层的平面结构，而是创建了一个类似于 WordTree 的分层树结构，具有 1000 个叶节点和 369 个父节点。

简单的 1k Imagenet 与 WordTree

使用与 YOLOv2 相同的训练参数，Imagenet 上的这种分层 Darknet-19 实现了 71.9% 的 top-1 准确率和 90.4% 的 top-5 准确率。当该模型无法区分叶类时，分层分类的优势在于，它为父类提供了高概率。

训练：
该模型使用 WordTree 方法将 COCO 类与 Imagenet 的 top-9000 类标签相结合，得到 9418 个节点的 WordTree。因此，对应的 WordTree 有 9418 个类。 Imagenet 是一个比 COCO 大得多的数据集。为了平衡数据集，我们对 COCO 进行了过采样，使得 Imagenet 和 COCO 样本之间的比率为 4:1。
我们使用 YOLOv2 数据集训练模型，但我们只使用 3 个锚框而不是 5 个。标签。

结果和结论：
YOLO9000 的总体 mAP 为 19.7%，检测数据集中不存在的类为 16%。它还在 COCO 数据集中不存在的新动物物种上表现更好。 mAP 高于在 DPM 模型中产生的 mAP。
YOLO9000 的主要优势在于它能够实时预测 9000 多个类（准确地说是 9418 个）。

YOLO 9000 结果

因为它具有大量的类预测能力。它是从医学成像到无人机监控、制造业等应用最广泛的对象识别架构之一。

参考：

• YOLO9000：更好、更快、更强