之前介绍了 YOLO-v1 单纯的利用一个卷积网络完成了目标检测，不过 YOLO-v1 虽然速度很快，但是比起其他的网络比如 Fast R-CNN 检测的准确率还是差不少，所以作者又提出了改良版的 YOLO-v2, 作者也明确说了，YOLO-v2 也是借鉴了其他网络的一些经验，针对 YOLO-v1 进行了改良。从论文来看，作者都没有给出新的网络结构图，大概网络的基本结构还是没有太多的变化，不过就是对网络以及图像的处理变得更加复杂了吧。
下面，我们来逐个介绍 YOLO-v2 到底做了哪些变化：
Batch Normalization： 这是一个比较常用的抑制 over fitting 的方法，作者在论文中介绍说对每个卷积层的输出加入 Batch Normalization 可以提升 2% 的准确率。
High Resolution Classifier： 作者也提到说，如果输入图的尺寸增大，读网络的性能也有好处。YOLO-v1 在训练 ImageNet 的时候是在小尺寸
224×224 的图像上做的，只是在后面训练检测的时候才变成了大尺寸的图，YOLO-v2 的时候，作者在训练 ImageNet 的时候，也用大尺寸的图像训练了 10 个周期，让网络再过渡到检测之前，就已经具备一定的适应大尺寸图像的能力，通过这个改变，可以提升网络 4% 的 mpA。Convolutional With Anchor Boxes：这里作者借用了 Faster R-CNN
的方法，利用 Anchor Boxes 去预测 bounding boxes，作者把网络的输入从448×448 变成了416×416 , 这里利用了一个先验知识，物体一般会占据图像中央位置，所以作者为 feature map 的 location 设置了一个奇数，以确保中间位置会有一个 location，我觉得这里和 YOLO-v1 的一个区别就是 YOLO-v1 之前的 grid cell 是固定尺寸的，一旦输入确定，grid cell 的个数确定了，grid cell 的大小和形状也就确定了，之前在 YOLO-v1 的时候，作者也提到了这点，grid cell 的形状和大小固定，其实不够灵活，所以为了解决这个问题，YOLO-v2 这里引入了 Anchor Boxes，Anchor Boxes 的一个好处就是可以有不同的形状，不同的尺寸，不过带来的问题就是要处理的 bounding boxes 的个数也就随之增加了。所以论文中也提到这点，bounding boxes 从 98 个增加到将近 1000 个，这个策略让网络的 mpA 稍微有点下降，不过 recall 却有大幅提升。说明网络的 TP 还是很高的，能把大部分该检测的目标都检测到。Dimension Clusters: 论文中提到了，为了决定 Anchor Boxes 的个数，作者用 k-means 的方法做了一些比较，最后决定采用 5 个。
Direct location prediction： 对检测位置的预测，作者又用回了原来 YOLO-v1 的方案，不是预测偏移量，而是直接预测检测框与grid cell 的相对位置，这样可以保证预测值是在 0-1之间的一个数，作者提到每个 grid cell 是预测 5 个 bounding boxes，每个 bounding box 输出 5 个预测值：
(tx,ty,tw,th,to) 根据每个 cell 相对于图像左上角的顶点的偏移，可以计算出每个 box 在图像的位置，宽高，以及预测的类别：
利用这个策略，YOLO-v2 的 mpA 提升了 5% 左右。
Fine-Grained Features， 作者也提到，YOLO-v1 最后一层的 feature map 的 size 是
13×13 , 对于大的目标物来说，这个 size 可能是合适的，但是对于太小的目标物，可能就遗漏了，所以为了弥补这个问题，YOLO-v2 把前一层的 feature map 也提取出来，用来一起做检测，前一层的 feature map size 是26×26 ，为了把这两层的 feature map 叠在一起，作者对前一层的feature map做了一下变形。Multi-Scale Training, 最后一个就是多尺度训练的问题了，YOLO-v2 在训练的过程中，每隔一定的训练周期，就随机切换一个不太的输入尺寸进行训练，论文中也提到，每换一次输入尺寸，都需要调整网络的结构，虽然参数可以继续用，不过网络的结构可能会有些变化，所以还是不太灵活。不过这样的好处就是让 YOLO-v2 对不同尺寸的图像有更好的检测能力。
Darknet-19： 为了让网络的运行速度更快，YOLO-v2 用了另外一种网络结构，而不是常用的 VGG 网络。这个称为 Darknet-19 的网络有 19 个卷积层，5 个 pooling 层。
最后就是训练和检测了，训练还是先在 ImageNet 上做，相当于让网络先预热一下，让网络具有一定的学习能力，然后再用特定的数据库训练网络的检测能力。
Word Tree : 最后要特别介绍一下 YOLO-v2 在训练时候的一个不同之处，就是把用来做分类的数据和用来做检测的数据混合起来训练，作者也提到，当训练数据是检测样本的时候，输出的是整个预测值的集合，包括检测以及分类的结果，如果数据是分类样本的时候，意味着输出只要是目标分类的概率即可。这个方案有个问题就是用来做分类的数据集 ImageNet 和用来做检测的数据集 COCO 的类别属性不同，COCO 基本只有恨模糊的大类，但是 ImageNet 含有很多细分的小类，一个典型的例子就是狗，COCO 所有的狗都是属于狗这个标签，而ImageNet 里面会把狗分成不同的品种，还有汽车也是。为了解决这个问题，论文里面设计了一种层级的分类，所以作者设计了一个 WordTree， 将 ImageNet 里的标签不再是平级的了，而是有层次的了，所以分类的时候，从树的根部开始，搜寻最短路径
参考文献：
Joseph Redmon, Ali Farhadi，“YOLO9000: Better, Faster, Stronger”, CVPR 2016
