在速度方面，YOLO 是對象識別領域最好的模型之一，能夠以高達 150 FPS 的速率識別對象并處理幀，適用于小型網絡。然而，就準確率 mAP 而言，YOLO 并不是最先進的模型，但在 PASCAL VOC2007 和 PASCAL VOC 2012 上訓練時，平均精度 （mAP） 相當好，為 63%。然而，當時最先進的 Fast R-CNN 的 mAP 為 71%。

YOLO v2 和 YOLO 9000 由 J. Redmon 和 A. Farhadi 于 2016 年在題為“YOLO 9000：更好、更快、更強”的論文中提出。在 67 FPS 時，YOLOv2 的 mAP 為 76.8%，在 67 FPS 時，它在 VOC 2007 數據集上的mAP 為78.6%，優于更快的 R-CNN 和 SSD 等模型。YOLO 9000 使用 YOLO v2 架構，但能夠檢測到 9000 多個類。然而，YOLO 9000 的 mAP 為 19.7%。

讓我們看看 YOLO v2 的架構和工作：

架構變化與 YOLOv1：

與 Fast R-CNN 等最先進的方法相比，以前的 YOLO 架構存在很多問題。它犯了很多本地化錯誤，而且召回率很低。所以，本文的目標不僅是改善 YOLO 的這些缺點，而且要保持架構的速度。基本 YOLO 中進行了一些增量改進。讓我們在下面討論這些變化：

• 批量歸一化：
• 通過在架構中添加批量歸一化，我們可以提高模型的收斂性，從而加快訓練速度。這也消除了應用其他類型的歸一化的需要，例如沒有過擬合的 Dropout。還觀察到，與基本 YOLO 相比，單獨添加批量歸一化會導致 mAP 增加 2%。
• 高分辨率分類器：
• 以前版本的 YOLO 在訓練期間使用 224 *224 作為輸入大小，但在檢測時，它需要的圖像大小最大為 448*448。這會導致模型調整到新的分辨率，進而導致 mAP 降低。
• YOLOv2 版本在 ImageNet 數據上以更高的分辨率 （448 * 448） 訓練 10 個時期。這讓網絡有時間調整過濾器以獲得更高的分辨率。通過在 448*448 圖像大小上進行訓練，mAP 增加了 4%。
• 將錨框用于邊界框：
• YOLO 使用全連接層來預測邊界框，而不是像 Fast R-CNN、Faster R-CNN 那樣直接從卷積網絡預測坐標。
• 在這個版本中，我們刪除了全連接層，而是添加了錨框來預測邊界框。我們在架構中進行了以下更改：

• 我們刪除了負責預測邊界框的全連接層，并將其替換為錨框預測。

• 我們將輸入的大小從 448 * 448 更改為 416 * 416。當我們將其下采樣 32 倍時，這將創建一個大小為 13 * 13 的特征圖。這背后的想法是，對象很有可能位于特征圖的中心。
• 刪除一個池化層以獲得 13 * 13 的空間網絡，而不是 7*7
• 通過這些更改，模型的 mAP 略有降低（從 69.5% 到 69.2%），但召回率從 81% 增加到 88%。

• 
  
• 維度集群：
• 我們需要確定生成的錨點（先驗）的數量，以便它們提供最佳結果。現在讓我們以 K 為例。我們的任務是確定具有最高準確性的圖像的前 K 個邊界框。為此，我們使用 K-means 聚類分析算法。但是，我們不需要最小化歐幾里得距離，而是最大化 IOU 作為該算法的目標。
• YOLO v2 使用 K=5 來更好地權衡算法。從下圖中我們可以得出結論，隨著 K=5 值的增加，精度不會發生顯著變化。
• 基于 K = 5 的基于 IOU 的聚類得到 61% 的 mAP。

• 
  
• 直接位置問題：
• 以前版本的 YOLO 對位置預測沒有約束，這使得它在早期迭代時不穩定。YOLOv2 預測 5 個參數 （tx、 ty、 tw、 th、 to（客觀性分數））并應用 sigma 函數來約束其值介于 0 和 1 之間。
• 
  
• 
  
• 此直接位置約束將 mAP 增加 5%。
• 細粒度功能 ：
• 生成 13 * 13 的 YOLOv2 足以檢測大型物體。但是，如果我們想檢測更精細的對象，我們可以修改架構，將前一層 26 * 26 * 512 的輸出更改為 13 * 13 * 2048，并與原始的 13 * 13 * 1024 輸出層連接，使我們的輸出層大小。
• 多尺度訓練：
• YOLO v2 使用 32 步長在 320 * 320 到 608 * 608 的不同輸入大小上進行了訓練。此體系結構為每 10 個批次隨機選擇圖像尺寸。可以在準確性和圖像大小之間建立權衡。例如，圖像大小為 288 * 288 且幀速率為 90 FPS 的 YOLOv2 提供的 mAP 與快速 R-CNN 一樣多。
• 

架構：

YOLO v2 在不同的架構上進行了訓練，例如 VGG-16 和 GoogleNet。該論文還提出了一種稱為 Darknet-19 的架構。選擇 Darknet 架構的原因是它的處理要求比其他架構低 5.58 FLOPS（相比之下，VGG-16 上的 30.69 FLOPS 圖像大小為 224 * 224，定制的 GoogleNet 為 8.52 FLOPS）。Darknet-19 的結構如下：

出于檢測目的，我們替換了此架構的最后一個卷積層，而是每 1024 個濾波器添加三個 3 * 3 卷積層，然后添加 1 * 1 卷積層，其中包含我們需要檢測的輸出數量。

對于 VOC，我們預測 5 個框和 5 個坐標（噸x、 ty、 tw、 th、 to（客觀性分數））每個盒子有 20 個等級。所以過濾器的總數是 125。

訓練：

YOLOv2 的訓練有兩個目的：

• 對于分類任務，該模型在 ImageNet-1000 分類任務上訓練了 160 個時期，使用 Darknet-19 架構，起始學習率為 0.1，權重衰減為 0.0005，動量為 0.9。此培訓應用了一些標準的數據增強技術。
• 為了進行檢測，我們上面討論過的 Darknet-19 架構中進行了一些修改。該模型在啟動時訓練了 160 個 epoch學習率 10-3，權重衰減為 0.0005，動量衰減為 0.9。在 COCO 和 VOC 上訓練模型的策略相同。

結果和結論：

YOLOv2 在 PASCAL VOC 和 COCO 上提供了最先進的檢測精度。它可以在不同尺寸上運行，從而在速度和準確性之間進行權衡。在 67 FPS 時，YOLOv2 可以提供 76.8 的 mAP，而在 40 FPS 時，檢測器的精度為 78.6 mAP，優于更快的 R-CNN 和 SSD 等最新模型，同時運行速度明顯快于這些模型。

該模型也是 YOLO9000 模型的基礎，該模型能夠實時檢測 9000 多個類。