---

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

其中，DarkNet-19的结构如下：

更详细的参数如下：

ps：上图中可以看出，残差连接时要保证两个特征图w，h的一致（从通道上进行拼接），这里通过PassThrough层将之前层的特征图进行了w，h的缩放，以和更深层特征图保持一致，PassThrough层的基本原理如下图：

之所以不用池化下采样，是想通过PassThrough保留featureMap的更多细节

二、YOLOv2的创新点

预处理

• 使用了标准的数据增强方法：随机裁剪、旋转（random crops, rotations）；色调、饱和度（hue, saturation）；曝光偏移（exposure shifts）

网络结构

1. backbone：改为Darknet-19，Darknet-19 的性能基本与 Resnet34 差不多，使得网络更轻量更快
2. 引入了BN（Batch normalization），其优点如下：
   • 加快收敛；
   • 改善梯度，远离饱和区；
   • 允许大的学习率；
   • 对初始化不敏感；
   • 相当于正则化，使得有BN层的输入都有相近的分布；
   • 有了BN之后，就可以不用dropout了，或者说不能像原来一样用dropout了，这会导致训练和测试的方差偏移。
3. 加入了anchor机制
4. 细粒度特征（Fine-Grained Features）：将最后一个最大池化层前的特征图经过Pass Through与后面的卷积特征图进行合并，Pass Through就是四分后再concat

训练

1. 高分辨率的预训练，采用了448的输入进行微调，以便网络更好地处理更高分辨率的输入
2. 多尺度训练：Yolov2每10个batches就会随机换一下输入的尺度（{320, 352, …, 608}），使得模型泛化于不同尺度的输入，这得益于adaptive pooling层。高分辨率的输入速度慢，但是对小目标的检测效果要好很多，低分辨率的输入速度快
3. loss略微改动：（真阳样本的定位误差、confidence误差、分类误差）、预测框和anchor定位误差、负样本置信度误差，且5个子loss均有一个权重超参数
4. 预测输入从448变为416，目的是让得到的feature map的size是一个奇数。这样的好处是，许多图片的中心点都是某个物体的中心，奇数保证中间是一个格子，而不是偶数那样四个格子抢占中心点
5. 尝试了一种分类和检测的联合训练策略，类别数据集用于分类训练，检测数据集用于边框回归和分类，同时为了统一COCO数据集和ImageNet数据集类别，提出了一种层级分类方法

---

总结

通过网络结构和改进和一些tricks，YOLOv2精度大大提升，同时通过多尺度训练，使得相同的YOLOv2模型可以在不同的大小下运行，从而轻松实现速度和精度之间的折衷。

• 在67 FPS的速度下，YOLOv2在VOC 2007上达到76.8mAP。
• 在40 FPS的速度下，YOLOv2在VOC 2007上达到78.6mAP，性能优于当时的SOTA，如SSD和Faster RCNN ResNet，同时运行速度更快。