繼2015的YOLO后，2016年作者對YOLO升級到YOLO2，另外一個版本YOLO9000是基于wordtree跨數據集達到檢測9000個分類，卷積層模型稱為darknet-19，達到速度和效果的雙提升，文章里充滿了作者的自豪，也值得自豪；

作者正視了YOLO的兩個大問題：回歸框不精準和召回不夠；一般的解決思路都是把網絡加深加寬，不過本文不屑，作者反而要通過優(yōu)化網絡學習在準確率不降的情況下提升精度和召回！

升級點

Batch Normalization：每個卷積層加了BN，正則都不要了，droupout也省了，過擬合也沒了，效果還好了，+2%mAP；

High Resolution Classifier - 高分辨率分類：模型訓練時經典做法都是先在ImageNet上pre-train，然而ImageNet上的圖片是低分辨率小于256*256的，而要檢測的圖片是高分辨率448*448的，這樣模型需要同時在高分辨的圖片上做fine-tune和檢測，所以作者提出了三步驟 1） 在ImageNet低分辨率上pre-train；2） 在高分辨率數據集上fine-tune；3） 在高分辨率數據集上檢測；使得模型更容易學習，+4%mAP

Convolution with Anchor Boxer - 加Anchor機制：YOLO是通過最后的全連接層直接預估絕對坐標，而FasterRCNN是通過卷積層預估相對坐標，作者認為這樣更容易學習，因此YOLOv2去掉了全連接層，在最后一層卷積層下采樣后用Anchor，yolo有7*7*2 = 98個框，而YOLOv2有超過1k的anchor，最終效果上雖然mAP略有下降3個千分點，但是召回提升7個百分點，值了！

Dimension Clusters - 維度聚類： Anchor的尺寸faster rcnn里人工選定的，YOLOv2通過k-mean聚類的方法，將訓練數據里gt的框進行聚類，注意這里不能直接用歐式距離，大框會比小框影響大，我們的目標是IOU，因此距離為： d（box， centroid） = 1 IOU（box， centroid）；下圖是結果，左圖是k和IOU的trand-off，右圖是5個中心的框尺寸，明顯看出和人工指定的差異很大；

Direct location prediction - 直接預測位置：直接預測x，y會導致模型訓練不穩(wěn)定，本文預測如下tx，ty，tw，th，to，通過sigmolid歸一化到（0，1），結合dimension clusters，+5%mAP

Fine-Grained Freture - 細粒度特征：引入passthrough layer，將低維度特征傳遞給高維度，類似于resnet的shortcut，+1%mAP；

Multi-Scale Training - 多尺度訓練：這里的多尺度是圖片的尺寸，多了迫使模型適應更大范圍的尺寸，每隔一定的epoch就強制改變輸入圖片的尺寸；

效果

如下是在VOC數據集上效率（每秒處理幀數）和效果（mAP）空間里不同算法的變現，其中YOLOv2為藍色，有不同的trade-off，效率和效果都超過已有的方法；

如下是更多的實驗結果：

如下是COCO上的效果，看得出COCO數據集還是很難的，小物體上YOLO2依然是差一些；

YOLO9000： Better， Faster， Stronger