YOLO承上启下---YOLOV2的精进

YOLO v2 也即 YOLO 9000

YOLO v2改进的地方

0. 主干网络从GoogleNet 换成性能更好的Darknet19.提取特征更细粒度。

1. YOLO v2受到faster rcnn的启发，引入了anchor。（anchor是通过在训练集上K-Means方法得到的）

2. 引入BN层，训练更快，更稳定，取代dropout防止过拟合，同时提升了mAP值。参考1

3. 预训练模型先在224×224数据集上训练，最后在448×448数据集上训练10轮，使模型适应检测的448×448分辨率的输入，最终提升了4%的 mAP。

4. 当时主流骨干网络是VGG16,作者发明了一种新的骨干网络DarkNet-19，不仅准确率更高，速度还更快。参考1

5. 损失函数也做了相应的改进，让定位框预测更加准确了

6. 去掉了全连接层，使得输入尺寸可以不用固定在448*448

YOLO v1对于bounding box的定位不是很好，在精度上比同类网络还有一定的差距，所以YOLO v2对于速度和精度做了很大的优化，并且吸收了同类网络的优点，一步步做出尝试。

 YOLOV2 通过 最后倒数第二层网络叠加的，以及多anchor boxes 的机制，让识别的目标更多，同时也加强了小目标的识别能力。

YOLOV2 输出的变化，从7*7*30 变化到了 13*13*5*25

截图等参考：

1.YOLO算法之YOLOv2精讲_哔哩哔哩_bilibili

2. 【精读AI论文】YOLO V2目标检测算法_哔哩哔哩_bilibili