YOLO-V2

一、V2版本细节升级

1、YOLO-V2：

• 更快！更强

  

  1.1 做的改进内容

  1. YOLO-V2-Batch Normalization

  • V2版本舍弃Dropout，卷积后每一层全部加入Batch Normalization
  • 网络的每一层的输入都做了归一化，收敛相对更容易
  • 经过Batch Normalization处理后的网络会提升2%的mAP
  • 从现在的角度来看，Batch Normalization已经成网络必备处理

    2. YOLO-V2-更大的分辨率

    • V1训练时用的是224224，测试时使用448448
    • 可能导致模型水土不服，V2训练时额外又进行了10次448*448 的微调
    • 使用高分辨率分类器后，YOLOv2的mAP提升了约4%

      

      二、网络结构特点

      • 没有全连接层
      • DarkNet，实际输入为416*416
      • 没有FC层，5次降采样，（13*13） 这里416* 416/5就得到13*13
      • 1*1卷积节省了很多参数

        

        经过5次降采样，原始比如有h,w。经过了5次，那么就是2**5=32，所以最终的h就是原始输入(h)/32;w也是原始输入(w)/32

        三、基于聚类来选择先验框尺寸