1. 概述
YOLOV2 论文下载：YOLO9000: Better, Faster, Stronger
Better： 提升性能、速度
Faster: 修改骨干网，检测速度更快
Stronger: 检测目标达 9000 多种
YOLOV1 的不足之处：
（1）准确度（mAP）比较低；
（2）定位性能比较差；
（3）把目标全部检出的能力比较差；
（4）检测小目标，密集目标的检测效果不好。
YOLOV2 即针对这些不足进行了改进。
2. YOLOV2
2.1 Better
2.1.1 Batch Normalization
具体操作：神经元的输出减去均值再除以标准差，变为以 0 为中心，均值为 0，标准差为 1 的分布（如上图）。
目的：因为 sigmoid，tanh 等激活函数在 0 附近是非饱和区，远离 0 的区域是饱和区，当输出举例中心 0 较远的时候，容易发生梯度消失，难以训练，因此，将数据通过 BN 层操作，聚集到中心 0 的附近，梯度较大，方便训练，加快收敛。
经过 BN 操作，可以看到神经元的输出值聚集到了 0 附近。
更直观的一个例子（图源：莫烦Python）
BN 层位置：全连接层之后，激活函数之前。
2.1.2 High Resolution Classifier
训练时，在小分辨率的图像数据中插入大分辨率的图像 ，从而网络在面对高分辨率的图像时也适应的很好。
2.1.3 Anchor
相比于 YOLOV1 是自动生成检测框，YOLOV2 在训练之前就对不同形态的物体添加了先验框。比如：高瘦的目标使用高瘦的框，矮胖的物体使用矮胖的框，也即这些框有了针对性，不再是随机生成，使得模型的训练更加稳定，这样最终预测框只需要针对先验框做微调，最后找出 IOU 较大的那一个为目标框。
YOLOV2 将一张图片划分为 13 X 13 个 grid cell，每个 grid cell 预测 5 个 Anchor，训练之前针对一个 grid cell 得到了 5 个不同大小的先验框，每个 Anchor 对应一个预测框，预测框只需输出它对于 Anchor 的偏移量即可。
CNN 输出的 feature map 结构：
5 个 Anchor 通过聚类方法得到，而不是人工手动标出。
使用聚类方法选择 Anchor 是比较有效的（K-MEANS）。
2.1.4 Direct location prediction
YOLOV1 的目标预测框是可以在整个图像各个位置移动的，这样容易模型在训练初期极不稳定。V2 对此做了改进，将预测框相对 Anchor 的偏移量做了限制，把预测框的中心坐标限制在了其所在的 grid cell 里面，避免预测框四处乱窜。
x，y 坐标的偏移量用 sigmoid 函数进行约束, h，w 没有限制。
预测框参数：
上图中，b 即是预测框的参数，宽高通过 sigmoid 函数来约束，提高模型在训练过程中的稳定性。
损失函数：
2.1.5 Fine-Grained Features
整合不同尺度的特征。将浅层网络得到的 feature map 进行拆分，一路继续卷积，下采样，一路分为 4 份，尺寸大小减半，通道数目乘 4，然后再进行融合，这样就得到了底层的细粒度信息和卷积之后高层的信息，从而整合了不同尺度的特征，有利于小目标的目标检测。
具体实现：
代码实现：
2.1.6 Muti-Scale Training
输入不同尺度的图像，从而达到模型预测中速度与精度的权衡。
多尺度图像输入：
2.2 Faster
更换了主干网络。
分类、预测网络结构：
网络中数据传递：
2.3 Stronger
UOLO V2 理论上可以检测 9000 多个类别的物体。
对于那些并非真正互斥的数据（such as 阿拉斯加，拉布拉多），先对数据进行处理，按照不同的属性分门别类，最终在互斥的分类下进行 softmax，这样，通过每一个层级之间的预测结果来达到最终的结果。
注：本篇博文插图多来源于参考链接，感谢。