YOLO v2(yolo9000)

主要是提出了一系列方案来提升yolo v1的效果。
就如他论文题目一样，yolo v2分别让yolo v1变得更好，更快和更强。

更好, 更快

1. 使用了batch norm，来约束神经元的输出，从而使模型更容易收敛。
   2.使用了高分辨率的分类器：先在imagenet上训练低分辨率图的分类，再在高分辨率图上训练分类，再去训练检测
   3.使用了anchor boxes：v1中每个小方块只有对应的2个bbox，而且是随机大小，随机位置的。而v2中每个小方块有5个bbox，而且大小是ground truth聚类的结果，因此更容易拟合图片。另外，v2对于bbox的中心点做了sigmoid，从而保证所有的bbox中心点都无法偏离当前方块。
   4.使用了新的网络(darknet19)减少了计算量
   5.加了pass through层：将一个大图拆分成多通道的小图，然后和直接卷积的结果拼接，从而让模型融合底层和高层信息
   6.使用了多尺度训练：输入不同尺度的图像，使用global average pooling还原为同一尺度。GAP就是对同一通道的所有值求均值，然后输入下一层，因此不会被尺度影响。
   7.使用了高分辨率的图片作为输入
   8.用了更细的网格(1313)，v1中是77

更强

联合训练Imagenet和coco，因为imagenet是有几万个类别的，而coco只有80个，所以如果可以借用imagenet里的类别信息，那么就可以学会几万个类别的分类了。
但是由于imagenet里的类别和coco的类别并不是互斥的，例如，coco中的“狗”，在imagenet里可能有金毛，有哈士奇。但一般而言，分类器都是互斥的，将不同类别拉的越远越好，因此简单的联合训练是行不通的。所以他借用了wordnet中的层次结构，将不同类别分层，不同层之间做分类，也即狗和猫分类，哈士奇和金毛分类。但是最终效果似乎一般。

参考链接：https://www.bilibili.com/video/BV1Q64y1s74K