【YOLO系列】YOLOv2

⭐ YOLOv2

参考文献：《YOLO9000: Better, Faster, Stronger（2017）》

YOLO系列的第二个版本，可检测出超过9000种目标类别，并可运行在不同的尺寸之下，在保持原有速度优势的条件下使得精度得以提升。同时提出了在目标检测数据集和分类数据集上联合训练的方法，取得了很好的效果。

---

✔️诞生背景

与最先进的目标检测网络相比，YOLOv1存在大量的定位错误，召回率相对较低。计算机视觉发展的趋势是朝着更大更深的网络发展，更好的性能往往依赖于训练更大的网络或者同时聚合不同的模型。YOLOv2的想法是在获得更精确模型的同时依旧保持很快的速度，与扩大网络相反，YOLOv2简化网络并使特征更容易去学习。因成本高，目标检测数据集小于分类数据集。

✔️网络结构

YOLOv2在YOLOv1的基础上采用了一系列的方法来提高算法性能。具体方法总结如下所示：

1. 精度Better

Batch Normalization，批量归一化有效增强了网络收敛性，可在不过拟合的情况下移除dropout，在所有卷积层上添加批量归一