目标检测-One Stage-YOLOv2

---

前言

根据前文目标检测-One Stage-YOLOv1可以看出YOLOv1的主要缺点是：

• 和Fast-CNN相比，速度快，但精度下降。（边框回归不加限制）

YOLOv2提出了一些改进策略，如anchor-based等

---

提示：以下是本篇文章正文内容，下面内容可供参考

一、YOLOv2的网络结构和流程

1. 将影像输入卷积网络（DarkNet-19+残差连接）得到13 × 13特征图
2. 引入anchor机制，与SSD不同的是，每个特征点对应5个anchor，且anchor的大小是由VOC 和 COCO数据集聚类得到的

ps：由于变为anchor-based算法，预测框由YOLOv1的98个变为845（13 × 13 × 5）个，mAP由69.5略微降到69.2，召回率却由81大大提升至88

3. 将上一步得到的anchor输入分类和边框回归器
4. 使用非极大值抑制NMS去除冗余窗口

---

下图可以比较清晰的看出YOLOv2的主要结构