一 、前言
YOLO（You Only Look Once）是一种快速、高效、准确的目标检测算法，由Joseph Redmon等人于2016年提出。相比于其他目标检测算法，YOLO使用单个神经网络实现目标检测，使其更快、更高效。
YOLO算法的基本原理是将输入图像分成一个个网格，然后每个网格都会预测该网格内存在的物体的边框位置和类别概率。与传统的目标检测算法相比，YOLO在处理整个图像时只需要执行一次前向传递操作，因此速度非常快。此外，YOLO的网络结构比较简单，具有很强的通用性和可扩展性，可以应用于多种不同的目标检测任务。
在实际应用中，YOLO已经被广泛应用于各种计算机视觉应用，例如自动驾驶、监控和机器人。它以其高准确性和实时处理能力而闻名，是许多目标检测任务的首选算法之一。
二、YOlO_V2
1.概述
更快更强
2.改变
YOLO-V2-Batch Normalization
- V2版本舍弃Dropout,卷积后全部加入Batch Normalization
- 网络的每一层的输入都做了归一化，收敛相对更容易
- 经过Batch Normalization处理后的网络会提升2%的mAP
- 从现在的角度来看，Batch Normalization已经成网络必备处理
YOLO-V2-更大的分辨率
- V1训练时用的是224224，测试时使用448448
- 可能导致模型水土不服，V2训练时额外又进行了10次448*448 的微调
- 使用高分辨率分类器后，YOLOv2的mAP提升了约4%
3.网络结构
DarkNet，实际输入为416416 没有FC层，5次降采样，变为（1313），1*1卷积节省了很多参数
4.聚类提取先验框
faster-rcnn系列选择的先验比例都是常规的，但是不一定完全适合数据集
K-means聚类中的距离：
聚类算法最重要的是选择如何计算两个边框之间的“距离”，对于常用的欧式距离，大边框会产生更大的误差。而且设置先验框的主要目的是为了使得预测框与ground truth的IOU更好，所以聚类分析时选用box与聚类中心box之间的IOU值作为距离指标：
5.Anchor Box
YOLO V1没有Anchor的概念，而且候选框一共98个（7x7x2），所以可想而知，模型的Recall是个问题，所以YOLO V2为了增加Recall（如果连正确的框都没有检查出来，就更不用想着后续的优化了，所以需要增加Recall），使用了Anchor的概念，像Faster RCNN，一个Anchor会产生9个候选框，这样在YOLO V1的情况下，原本的98个框就变成了441（7x7x9）。
同时为了进一步增加候选框的数目，YOLO V2中最后用来预测的特征图尺寸是原图的1/32（YOLO V1是1/64），由于448 / 32 = 14，这样一来图像中心点是4个点（图7方便理解），这样就会导致在图像中心的物体的中心点落在4个Grid Cell中，不方便分配，所以作者把输入图像的尺寸改成了416（416/32=13），中心点只有一个。增加了Anchor的概念后，mAP由原来的69.5%降低到了69.2%，但是Recall从81%增加到88%，这也为后续的优化提供了可能性
6.偏移量 Directed Location Prediction
- bbox：中心为(xp,yp)；宽和高为(wp,hp)，则：
- tx=1,则将bbox在x轴向右移动wp；tx=−1则将其向左移动wp
- 这样会导致收敛问题，模型不稳定，尤其是刚开始进行训练的时候
V2中并没有直接使用偏移量，而是选择相对grid cell的偏移量
7.细粒度特征Fine-Grained Features
- 最后一层时感受野太大了，小目标可能丢失了，需融合之前的特征
8.Multi-Scale
- 都是卷积操作图片不受限制！一定iterations之后改变输入图片大小
最小的图像尺寸为320 x 320
最大的图像尺寸为608 x 608
9.小结
YOLO-V2是一个先进的实时检测系统，提升速度与精度上提出了很多新奇有效的方法，可以运行在不同尺寸大小图片的上，也使得可以很好地权衡速度与精度。同时YOLO9000使用WordTree来结合来自不同来源的数据，并使用联合优化技术在ImageNet和COCO上同时进行训练。YOLO-v2的很多技巧都可以很好地运用在其他场合任务中。