YOLO系列算法原理讲解----（2）Yolov2/Yolo9000算法_yolo9000为什么可以检测9000个

YOLOV2/YOLO9000

• YOLO9000:Better,Faster,Stronger
• CVPR 2017,Best Paper Honorable Mention
• 引入了anchor box的思想（改进直接回归的粗糙做法）
• 输出层：卷积层替代YOLOV1的全连接层（通过卷积层减少网络结构对输入图像尺寸的敏感程度，因为FC层参数量同feature map的大小是息息相关的，卷积层无关）
• 联合使用coco和imagenet物体分类标注数据（用检测数据集学习物体准确的位置信息，分类数据集学习分类的信息）
• 识别种类、精度、速度和定位准确性都有大大提升

YOLOV2/YOLO9000改进之处：

• Batch Normalization
• 高分辨率分类器
• Anchor Boxes
• 细粒度特征
• Multi-Scale Training
  
  这是主干网络的网络结构采用darknet，而yolov1作者采用了GoogleNet，整体速度比VGG更快，而在YOLOV2中采用新的主干网络模型，结构类似于VGG NET，采用三乘三的卷积核，池化后的整个channel的数量都会增加一倍，在网结构中采用Batch Normalization，归一化处理，让整个训练过程更加稳定，收敛的更快，得到一个模型规范化的效果。由于通过卷积代替之前的FC，因此输入的图像尺寸就可以发生变化，因此可以进行多