这部分基本是在YOLOV1的基础上的一些改进，并且还提出了YOLO9000(9000类检测，恐怖)。 文章主要是三个部分，名字也起的很简洁： Better，Faster,Stronger。
1. Better。
作为YOLO来说，有两个缺点：
- 定位不够准确。
- 和基于
region proposal类的方法相比召回率更低。
1.1 Batch Normalization.
简单来讲就是在每个卷积层的后面（也就是每个卷积层的输入）都加了BN层，这样会收敛快一点，加入BN之后把dropout去掉，实验证明可以提高2%的mAP. (作者也就只讲了这一段，所以就这样了)
1.2 High Resolution Classifier.
这个主要是介绍了一下检测模型的一般训练策略。一般都不会从随机初始化所有的参数来开始的，一般都是用预训练好的网络来fine-tuning自己的网络，预训练的网络一般是在ImageNet上训练好的分类网络。 在fine-tuning的时候：
- YOLOV1预训练的时候使用224*224的输入，检测的时候采用的是448*448的输入，这会导致分类切换到检测的时候，模型需要适应图像分辨率的改变。
- YOLOV2中将预训练分成两步：①：先用224*224的输入来训练大概160个epoch, 然后再把输入调整到448*448再训练10个epoch，然后再与训练好的模型上进行fine-tuning，检测的时候用448*448就可以顺利过渡了。
这个方法竟然提高了4%的mAP.
1.3 Convolutional With Anchor Boxes
这段作者简单借鉴了Faster Rcnn的做法，引入anchor. YOLOV2主要做了下面的改变：
- 删除了全连接层和最后一个pooling层，使得最后的卷积层可以有更高的分辨率。
- 缩减网络，用416*416的输入代替448*448，这样做是希望得到的特征图都是奇数大小的宽和高，奇数大小的宽和高会使得每个特征图在划分cell的时候只有一个中心cell，因为大的目标一般会占据图像的中心，所以希望用一个中心cell去预测，而不是四个中心cell。
YOLOv1中将输入图像分成77的网格，每个网格预测2个bounding box，一共只有772=98个box。 YOLOv2中引入anchor boxes，输出feature map大小为1313，每个cell有5个anchor box预测得到5个bounding box，一共有13135=845个box。增加box数量是为了提高目标的定位准确率。 作者：零尾 来源：CSDN 原文：https://blog.csdn.net/lwplwf/article/details/82895409
按照作者的说法，这个改进的的效果是非常small的，YOLOV1只需要预测98个box，而加入anchor的话快要上千，召回率从0.81上升到0.88, mAP从69.5下降到69.2。
1.4:Dimension Clusters
作者说他们在试图吧anchor box用在YOLO的时候遇到了两个issues。
- Faster R-CNN中的anchor box的大小和比例是按照经验来设定的（hand picked），然后在训练的时候调整anchor box的尺寸，
作者想的是可不可以通过一定的方式事先确定这样的候选框呢，最终作者采用了K-means方法，但是如果用标准的K-means（欧式距离）的话会导致大的box会比小的box获得更大的误差，更准确的方式是使用IOU来算，所以作者定义了IOU距离，按照IOU越高距离越小的需求，很容易写出这样的公式：
上图是在VOC和COCO上的聚类结果，综合来说，随着K的增加，平均的IOU是增加的，但是为了综合考虑模型的复杂度和召回率。最终选择K=5
作者还发现：The cluster centroids are significantly different than hand-picked anchor boxes. There are fewer short, wide boxes and more tall, thin boxes.这个是个无关紧要的结论了。
最终实验对比发现：
- 采用聚类的5中box就能达到Fast-RCNN 9中box的效果。
- 采用聚类分析得到的先验框比手动设置的平均的IOU值更高，模型更容易训练和学习。
未完待续
