YOLO V2解析

YOLO V2是YOLO系列的第二版，在YOLO V1的基础上加以改进，改善了YOLO V1定位不准的问题，又保证了检测的速度，可谓集准确性与速度于一身（YOLO V2获得了CVPR2017的最佳论文提名）。YOLO V2的原文提出了两个模型：YOLO V2和YOLO9000，本文主要着重YOLO V2，下面让我们一同走进YOLO V2的世界。

Outlines：

1. YOLO V2 vs V1；
2. YOLO V2的3个核心；
3. YOLO V2的损失函数；

1. YOLO V2 vs V1

YOLO V2的mAP和FPS：

首先，我们明确一点，V2强于V1（速度和准确率），并且可与Faster RCNN，SSD媲美，确切来说在Pascal VOC上，V2准确率比V1高出10%，同时最慢的版本速度可以持平V1。那么我们下面看看YOLO V2在Pascal VOC上的精彩表现：

图1 YOLO V2在Pascal VOC2007上的mAP和FPS统计

我们发现，YOLO V2的准确率远高于V1（78.6 vs 63.4），同时速度更快，而且相比于SSD和Faster RCNN，准确率与速度都不逊色。

图2 YOLO V2在Pascal VOC2012上的mAP统计

可以发现YOLO V2在Pascal VOC2012上表现得也很强势；

下面我们看看在COCO上V2的表现如何呢？

图3 YOLO V2在COCO test-dev2015上的mAP统计

不难发现在COCO上，YOLO V2的mAP不敌SSD和Faster RCNN，这也说明在目标种类增多以及尺度变化增大的情况下，YOLO V2会稍显弱势。

YOLO V2相比于YOLO V1的改进：

图4 YOLO V2 vs V1

上图诠释了YOLO V2相对于V1的各个方面的改进以及每种改进所带来的提高，下面我们一一分析。

1）增加Batch Normalization层 （+2%）

在V1的基础上增加了BN层，位置在Conv层的后面，同时去掉了Dropout，增加BN层后，给YOLO 的mAP带来了2%的提升，也说明了BN的重要作用。

图5 BN的位置