在本章節中，回顧了YOLOV2，你只看一次版本2。YOLOv2比YOLOv1有很多改進.YOLO9000也被提議使用WordTree檢測超過9000個對像類別.下面是作者非常著名的YOLOv2演示影片：YOLOv1

在67帧/秒時，YOLOv2在PASCAL VOC2007上獲得76.8%MAP。在40FPS時，YOLOv2獲得78.6%MAP，這優於使用Resnet和固态硬盘的更快的R-cnn。憑藉如此好的成績，YOLOv2於2017年年CVPR發表，被引用超過1000次。ResNet Faster R-CNN

論文標題是“YOLO9000：更好、更快、更强”。所以，讓我們看看它如何變得更好，更快，而且更强！

承保范围是什么？

1.1.批量归一化(BN)Batch Normalization (BN)

• 假設一個情況

此時Hidden Layer 2節點的感受力已經不會對特徵較大的X2感到敏感

X1=0.1，X2=0.96

• 此圖模擬一群資料中一個Batch的数据

• 於是我們在神經網路中的隱藏層和激活函數之間加上规格化层

加入後情況如下

• 在最基礎的标准化程序當中

• 但是在模型中我們不希望每次标准化的分布都調適成這種情況，因為不具彈性
• 因此加了最後一道自動調整程序

• BN用於YOLOV2中的所有卷积层。
• MAP提高为2%.

1.2.高分辨率分类器

• 在這邊我們比較v1和v2之間訓練的差異，v1在阶段1訓練的時候是採用224*224的分辨率下去做訓練分類網路，然後在阶段2的時候以448*448的分辨率訓練檢測網路，這會造成一件問題-YOLOv1的捲積層要重新適應新的分辨率同時YOLOv1的網絡還要學習檢測網絡
• 因此YOLO v2提出了一個方法，在Stage1訓練的時候先用低解析度訓練160個Epoch然後再用10個Eagch訓練網路適應448*448的高解析度，最後再讓Stage2以相同解析度訓練檢測

• 經過224×224圖像訓練後，YOLOv2還使用448×448圖像在ImageNet上對分類網絡進行了10輪的微调。
• MAP增加为4%.

1.3.带锚箱的卷积

在這裡我們比對過往檢測方法，最後傳遞的網路層以及輸出預測方式

YOLO v1參考GoogleNet網路模型，最後加上2層平面层，將結果平滑化再餵到神經網路作預測，最後輸出一個S×S×(B∗5+C)維度的张量。

• SoftMAX層對锚点進行分類找到需要被檢測的前台锚点
• 回归層對锚点的邊框進行回歸找到精確度較高的Prosoal邊框
• 接著Prosoal Layer再綜合兩者產生出多個Prosoal要素图

ROI池化可接受任意尺寸的輸入，WARP操作不再需要，這有效避免了物體的形變扭曲，保證了特徵信息的真實性

最後作者決定參考更快-美国有线电视新闻网中的主播挑選候選框的作法，改善V1的準確度

• 输入改為416*416

• YOLOv2移除所有全连接层並使用锚盒來預測包围盒。
• 移除一個池化图层以提高輸出的分辨率。
• 並且使用416×416圖像來訓練檢測網絡。
• 並得到13×13的特徵圖輸出，即32×下采样。
• 在沒有锚盒的情況下，中間模型獲得了69.5%的MAP和81%的召回。
• 使用锚盒，獲得了69.2%的MAP和88%的召回。雖然MAP略有下降，但Recall大幅增加。

1.4.维度群集

• 主播盒的尺寸和比例是預先定義的，沒有獲得任何先驗資訊，就像快速R-cnn中的尺寸和比例一樣。
• 使用標準的基於欧几里德距离的k-Means聚类不够好，因為較大的框比較小的框產生更多的錯誤。
• YOLOv2使用k-Means群集，這會導致良好的IOU分數：

• 在模型複雜度和高召回率取捨之間，k=5是最佳值。

• 使用5個锚盒(61.0%)基于的欠条的群集結果與使用9個锚盒(60.9%)的更快的R-cnn的群集結果相似。
• 使用9個锚盒的基于借条的集群得到为67.2%。

1.5.直接位置预测

• YOLOv1沒有Constraint預測位置，這使得模型在早期反覆運算時不穩定。預測的邊界框可能遠離原始网格位置。
• YOLOv2使用Logistic Activateσ限制位置邊界，使值介於0到1之間：

• (Cx，Cy)是GRID的位置，也是當前網格左上角到圖像左上角的距離。
• (bx，by)是包围盒的位置：(cx，cy)+增量以σ(Tx)和σ(Ty)定義邊界，σ函數將約束在(0，1)範圍內。
• (pw，ph)是從群集中預先得到的锚盒。
• (bw，bh)是包围盒空間尺寸：(pw，ph)按(tw，th)縮放。
• 預測邊框的藍色中心點被約束在藍色背景的網格內.約束邊框位置使得模型更容易學習，且預測更為穩定
• 因為自然對數e表示“增長的極限”，所以在這邊以e為底以Scale放大率為次方，計算出數值的自然放大倍率
• 與锚盒版本相比，MAP增加5%。

1.6.细粒度要素

• 卷積層逐漸減小空間維度.隨著相應的分辨率降低，檢測小物體變得更加困難.

為了抓取細粒度特徵、YOLO v2加入了一層通过图层、將原本26×26的分辨率的要素地图進行特徵重排

• 13×13特征地图輸出足以偵測大型物件。
• 為了更好地偵測小目標，將前一層的26×26×512特徵圖映射成13×13×2048特徵圖，然後再與原始的13×13×1024輸出層特徵圖级联。
• 最後在新的13×13×3072層上使用卷积滤波器來進行預測。
• MAP增加为1%.

1.7.多规模培训

• 爲了讓模型更穩定，所以YOLOv2做了多尺度的訓練，而多规模培训讓YOLO v2在速度和準確性做出平衡的選擇
• 在訓練過程，每隔10個大纪元隨機選擇一種輸入圖片大小，然後只需要修改對最後檢測層的處理就可以重新訓練。
• 由於YOLOv2的轉換層將輸入維度下採樣32倍，因此新採樣的大小為32的倍數
• 對於每10個批次，隨機選擇新的图像尺寸。
• 影像尺寸為{320352，…，608}。
• 已調整網絡大小並繼續培训。

1.8.关于渐进式改进的总结

• 網絡在較小尺寸的影像上運行更快.
• 對於低解析度的YOLOv2、在90 FPS時、MAP與快速R-cnn一樣好，後者非常適合於較小的图形处理器。
• 對於高解析度的YOLOv2，在实时速度獲得76.8%的MAP。

對於MS COCO資料集，以下方法中只有YOLOv2可以獲得实时表現：

2.使用Darknet-19的YOLOv2(更快)

除了上述修改，網絡架構也是影響MAP的一個因素.

YOLOv2採用DarkNet-19分類網絡進行特征提取：

• 我們可以看到，DarkNet-19在3×3卷積之間使用1×1卷積來壓縮特徵圖Channles以降低模型計算量和參數
• 在SoftMAX層前使用了全球平均池、對每個功能地图內部取平均，每個功能地图變成一個值、10個功能地图就變成一個10維的向量。

而DarkNet-19可以在Accuracy和模型複雜度之間獲得良好的平衡：

• 由於TOP-1和TOP-5錯誤接近Resnet-50、Darknet-19具有較低的模型複雜度(FLOP)、因此偵測速度(FPS)要快得多。
• 使用Darknet-19之後，YOLOv2的MAP值沒有顯著提升，但是計算量卻可以減少約33%.

3.YOLO9000 by WordTree(更强)

有多個資料集用於分類和偵測.作者有一個想法，“它們能結合在一起嗎？”

3.1.联合收割机