?以下文章轉(zhuǎn)載自CSDN博客迅办。（小糖豆在找資料的時候發(fā)現(xiàn)了這篇文章，寫的確實非常精彩，分享給大家）
|來源：
https://blog.csdn.net/Gentleman_Qin/article/details/84349144
|作者：圖像所浩南哥
|聲明：遵循CC 4.0 BY-SA版權(quán)協(xié)議
算法概述
????建立在YOLOv1的基礎(chǔ)上召嘶，經(jīng)過Joseph Redmon等的改進，YOLOv2和YOLO9000算法在2017年CVPR上被提出哮缺，并獲得最佳論文提名弄跌，重點解決YOLOv1召回率和定位精度方面的誤差。在提出時尝苇，YOLOv2在多種監(jiān)測數(shù)據(jù)集中都要快過其他檢測系統(tǒng)碟绑，并可以在速度與精確度上進行權(quán)衡。
??? YOLOv2采用Darknet-19作為特征提取網(wǎng)絡茎匠，增加了批量標準化（Batch Normalization）的預處理格仲，并使用224×224和448×448兩階段訓練ImageNet，得到預訓練模型后fine-tuning诵冒。
????相比于YOLOv1是利用FC層直接預測Bounding Box的坐標凯肋，YOLOv2借鑒了FSR-CNN的思想，引入Anchor機制汽馋，利用K-Means聚類的方式在訓練集中聚類計算出更好的Anchor模板侮东，在卷積層使用Anchor Boxes操作，增加Region Proposal的預測豹芯，同時采用較強約束的定位方法悄雅，大大提高算法召回率。同時結(jié)合圖像細粒度特征铁蹈，將淺層特征與深層特征相連宽闲，有助于對小尺寸目標的檢測。?
????下圖所示是YOLOv2采取的各項改進帶了的檢測性能上的提升：
??? YOLO9000 的主要檢測網(wǎng)絡也是YOLO v2，同時使用WordTree來混合來自不同的資源的訓練數(shù)據(jù)容诬，并使用聯(lián)合優(yōu)化技術(shù)同時在ImageNet和COCO數(shù)據(jù)集上進行訓練娩梨，目的是利用數(shù)量較大的分類數(shù)據(jù)集來幫助訓練檢測模型，因此览徒，YOLO 9000的網(wǎng)絡結(jié)構(gòu)允許實時地檢測超過9000種物體分類狈定，進一步縮小了檢測數(shù)據(jù)集與分類數(shù)據(jù)集之間的大小代溝。
????下面將具體分析YOLOv2的各個創(chuàng)新點:
算法創(chuàng)新點
批量標準化（Batch Nomalization）（使mAP提升2%）
BN概述：
????對數(shù)據(jù)進行預處理（統(tǒng)一格式习蓬、均衡化纽什、去噪等）能夠大大提高訓練速度，提升訓練效果躲叼。BN正是基于這個假設(shè)的實踐稿湿，對每一層輸入的數(shù)據(jù)進行加工。
??? BN是2015年Google研究員在論文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》一文中提出的押赊，同時也將BN應用到了2014年的GoogLeNet上，也就是Inception-v2包斑。
??? BN層簡單講就是對網(wǎng)絡的每一層的輸入都做了歸一化流礁，這樣網(wǎng)絡就不需要每層都去學數(shù)據(jù)的分布，收斂會更快罗丰。YOLOv1算法（采用的是GoogleNet網(wǎng)絡提取特征）是沒有BN層的，而在YOLOv2中作者為每個卷積層都添加了BN層。
????使用BN對網(wǎng)絡進行優(yōu)化高帖，讓網(wǎng)絡提高了收斂性舔稀，同時還消除了對其他形式的正則化（regularization）的依賴，因此使用BN后可以從模型中去掉Dropout绍填，而不會產(chǎn)生過擬合霎桅。
BN優(yōu)點：
神經(jīng)網(wǎng)絡每層輸入的分布總是發(fā)生變化，加入BN讨永，通過標準化上層輸出滔驶，均衡輸入數(shù)據(jù)分布，加快訓練速度卿闹，因此可以設(shè)置較大的學習率（Learning Rate）和衰減（Decay）揭糕；
通過標準化輸入，降低激活函數(shù)（Activation Function）在特定輸入?yún)^(qū)間達到飽和狀態(tài)的概率锻霎，避免梯度彌散（Gradient Vanishing）問題著角；
輸入標準化對應樣本正則化，BN在一定程度上可以替代 Dropout解決過擬合問題旋恼。
BN算法：
????在卷積或池化之后吏口，激活函數(shù)之前，對每個數(shù)據(jù)輸出進行標準化，方式如下圖所示：
????公式很簡單锨侯，前三行是 Batch內(nèi)數(shù)據(jù)歸一化（假設(shè)一個Batch中有每個數(shù)據(jù)）嫩海，同一Batch內(nèi)數(shù)據(jù)近似代表了整體訓練數(shù)據(jù)。第四行引入了附加參數(shù) γ 和 β囚痴，此二者的取值算法可以參考BN論文叁怪，在此不再贅述。
高分辨率模型（High Resolution Classifier）（使mAP提升4%）
??? fine-tuning：用已經(jīng)訓練好的模型深滚，加上自己的數(shù)據(jù)集奕谭，來訓練新的模型。即使用別人的模型的前幾層痴荐，來提取淺層特征血柳，而非完全重新訓練模型，從而提高效率生兆。一般新訓練模型準確率都會從很低的值開始慢慢上升难捌，但是fine-tuning能夠讓我們在比較少的迭代次數(shù)之后得到一個比較好的效果。
??? YOLO模型分為兩部分鸦难，分類模型和檢測模型根吁，前者使用在ImageNet上預訓練好的模型，后者在檢測數(shù)據(jù)集上fine-tuning合蔽。
??? YOLOv1在預訓練時采用的是224*224的輸入（在ImageNet數(shù)據(jù)集上進行）击敌，然后在檢測的時候采用448*448的輸入，這會導致從分類模型切換到檢測模型的時候拴事，模型還要適應圖像分辨率的改變沃斤。
??? YOLOv2則將預訓練分成兩步：先用224*224的輸入在ImageNet數(shù)據(jù)集訓練分類網(wǎng)絡，大概160個epoch（將所有訓練數(shù)據(jù)循環(huán)跑160次）后將輸入調(diào)整到448*448刃宵，再訓練10個epoch（這兩步都是在ImageNet數(shù)據(jù)集上操作）衡瓶。然后利用預訓練得到的模型在檢測數(shù)據(jù)集上fine-tuning。這樣訓練得到的模型牲证，在檢測時用448*448的圖像作為輸入可以順利檢測鞍陨。
引入Anchor（Convolutional with Anchor Boxes）（mAP下降0.2%但recall提升7%）
??? YOLOv1將輸入圖像分成7*7的網(wǎng)格，每個網(wǎng)格預測2個Bounding Box从隆，因此一共有98個Box诚撵，同時YOLOv1包含有全連接層，從而能直接預測Bounding Boxes的坐標值键闺，但也導致丟失較多的空間信息寿烟，定位不準。
??? YOLOv2首先將YOLOv1網(wǎng)絡的FC層和最后一個Pooling層去掉辛燥，使得最后的卷積層可以有更高分辨率的特征筛武，然后縮減網(wǎng)絡缝其，用416*416大小的輸入代替原來的448*448，使得網(wǎng)絡輸出的特征圖有奇數(shù)大小的寬和高徘六，進而使得每個特征圖在劃分單元格（Cell）的時候只有一個中心單元格（Center Cell）内边。
????為什么希望只有一個中心單元格呢？由于圖片中的物體都傾向于出現(xiàn)在圖片的中心位置待锈，特別是比較大的物體漠其，所以有一個單元格單獨位于物體中心的位置用于預測這些物體。
??? YOLOv2通過引入Anchor Boxes竿音，通過預測Anchor Box的偏移值與置信度和屎，而不是直接預測坐標值。YOLOv2的卷積層采用32這個值來下采樣圖片春瞬，所以通過選擇416*416用作輸入尺寸最終能輸出一個13*13的特征圖柴信。若采用FSRCNN中的方式，每個Cell可預測出9個Anchor Box宽气，共13*13*9=1521個（YOLOv2確定Anchor Boxes的方法見是維度聚類随常，每個Cell選擇5個Anchor Box）。
????在FSRCNN中萄涯，以一個51*39大小的特征圖為例绪氛，其可以看做一個尺度為51*39的圖像，對于該圖像的每一個位置窃判，考慮9個可能的候選窗口：3種面積3種比例。這些候選窗口稱為Anchor Boxes喇闸。下圖示出的是51*39個Anchor Box中心袄琳，以及9種Anchor Box示例。
YOLOv1和YOLOv2特征圖數(shù)據(jù)結(jié)構(gòu)：
YOLOv1：S*S* (B*5 + C) => 7*7（2*5+20）
????其中B對應Box數(shù)量燃乍，5對應邊界框的定位信息（w,y,w,h）和邊界框置信度（Confidience）唆樊。分辨率是7*7，每個Cell預測2個Box刻蟹，這2個Box共用1套條件類別概率（1*20）逗旁。
YOLOv2：S*S*K* (5 + C) => 13*13*9（5+20）
????分辨率提升至13*13，對小目標適應性更好舆瘪，借鑒了FSRCNN的思想片效，每個Cell對應K個Anchor box（YOLOv2中K=5），每個Anchor box對應1組條件類別概率（1*20）英古。
維度聚類（Dimension Clusters）(與第5點結(jié)合使mAP提升5%)
????聚類：聚類是指事先沒有“標簽”而通過某種成團分析找出事物之間存在聚集性原因的過程淀衣。即在沒有劃分類別的情況下，根據(jù)數(shù)據(jù)相似度進行樣本分組召调。
????在FSR-CNN中Anchor Box的大小和比例是按經(jīng)驗設(shè)定的膨桥，然后網(wǎng)絡會在訓練過程中調(diào)整Anchor Box的尺寸蛮浑，最終得到準確的Anchor Boxes。若一開始就選擇了更好的只嚣、更有代表性的先驗Anchor Boxes沮稚，那么網(wǎng)絡就更容易學到準確的預測位置。
??? YOLOv2使用K-means聚類方法類訓練Bounding Boxes册舞，可以自動找到更好的寬高維度的值用于一開始的初始化蕴掏。傳統(tǒng)的K-means聚類方法使用的是歐氏距離函數(shù)，意味著較大的Anchor Boxes會比較小的Anchor Boxes產(chǎn)生更多的錯誤环础，聚類結(jié)果可能會偏離囚似。由于聚類目的是確定更精準的初始Anchor Box參數(shù)，即提高IOU值线得，這應與Box大小無關(guān)饶唤，因此YOLOv2采用IOU值為評判標準，即K-means 采用的距離函數(shù)（度量標準） 為：
d(box,centroid) = 1 - IOU(box,centroid)
????如下圖贯钩，左邊是聚類的簇個數(shù)和IOU的關(guān)系募狂，兩條曲線分別代表兩個不同的數(shù)據(jù)集。分析聚類結(jié)果并權(quán)衡模型復雜度與IOU值后角雷，YOLOv2選擇K=5祸穷，即選擇了5種大小的Box 維度來進行定位預測。
????其中紫色和灰色也是分別表示兩個不同的數(shù)據(jù)集勺三，可以看出其基本形狀是類似的雷滚。更重要的是，可以看出聚類的結(jié)果和手動設(shè)置的Anchor Box位置和大小差別顯著——結(jié)果中扁長的框較少吗坚，而瘦高的框更多（更符合行人的特征）祈远。
??? YOLOv2采用的5種Anchor的Avg IOU是61，而采用9種Anchor Boxes的Faster RCNN的Avg IOU是60.9商源，也就是說本文僅選取5種box就能達到Faster RCNN的9中box的效果车份。選擇值為9的時候，AVG IOU更有顯著提高牡彻。說明K-means方法的生成的boxes更具有代表性扫沼。
直接位置預測（Direct location prediction）（與第4點結(jié)合使mAP提升5%）
????直接對Bounding Boxes求回歸會導致模型不穩(wěn)定，其中心點可能會出現(xiàn)在圖像任何位置庄吼，有可能導致回歸過程震蕩缎除，甚至無法收斂，尤其是在最開始的幾次迭代的時候总寻。大多數(shù)不穩(wěn)定因素產(chǎn)生自預測Bounding Box的中心坐標（x,y）位置的時候伴找。
??? YOLOv2的網(wǎng)絡在特征圖（13*13）的每一個單元格中預測出5個Bounding Boxes（對應5個Anchor Boxes），每個Bounding Box預測出5個值（tx,ty,tw,th,t0）废菱，其中前4個是坐標偏移值技矮，t0是置信度結(jié)果（類似YOLOv1中的邊界框置信度Confidence）抖誉。YOLOv2借鑒了如下的預測方式，即當Anchor Box的中心坐標和寬高分別是（xa,ya）和（wa,wh）時衰倦，Bounding Box坐標的預測偏移值（tx,ty,tw,th）與其坐標寬高（x,y,w,h）的關(guān)系如下：? ? ? ? ? ? ? ? ? ? ? ? ?
tx?=?(x-xa)/wa
ty= (y-ya)/ha
tw?=?log(w/wa)
th?= log(h/ha)
????基于這種思想袒炉，YOLOv2在預測Bounding Box的位置參數(shù)時采用了如下強約束方法：
????上圖中，黑色虛線框是Anchor Box樊零，藍色矩形框就是預測的Bounding Box結(jié)果我磁，預測出的Bounding Box的坐標和寬高為（bx,by）和（bw,bh），計算方式如圖中所示驻襟，其中：對每個Bounding Box預測出5個值（tx,ty,tw,th,t0）夺艰，Cell與圖像左上角的橫縱坐標距離為（cx,cy），σ定義為sigmoid激活函數(shù)（將函數(shù)值約束到［0,1］）沉衣，該Cell對應的Anchor Box對應的寬高為（pw,ph）郁副。
????簡而言之，（bx,by）就是（cx,cy）這個Cell附近的Anchor Box針對預測值（tx,ty）得到的Bounding Box的坐標預測結(jié)果豌习，同時可以發(fā)現(xiàn)這種方式對于較遠距離的Bounding Box預測值（tx,ty）能夠得到很大的限制存谎。
細粒度特征（Fine-Grained Features）（特征融合）（使mAP提升1%）
??? YOLOv2通過添加一個轉(zhuǎn)移層，把高分辨率的淺層特征連接到低分辨率的深層特征（把特征堆積在不同Channel中）而后進行融合和檢測肥隆。具體操作是先獲取前層的26*26的特征圖既荚，將其同最后輸出的13*13的特征圖進行連接，而后輸入檢測器進行檢測（檢測器的FC層起到了全局特征融合的作用）栋艳，以此來提高對小目標的檢測能力恰聘。? ??
多尺度訓練（Muinti-Scale Training）（使mAP提升1%）
????為了適應不同尺度下的檢測任務，YOLOv2在訓練網(wǎng)絡時吸占，其在檢測數(shù)據(jù)集上fine-tuning時候采用的輸入圖像的size是動態(tài)變化的晴叨。具體來講，每訓練10個Batch旬昭，網(wǎng)絡就會隨機選擇另一種size的輸入圖像篙螟。因為YOLOv2用到了參數(shù)是32的下采樣菌湃，因此也采用32的倍數(shù)作為輸入的size问拘，即采用{320,352,…,608}的輸入尺寸（網(wǎng)絡會自動改變尺寸，并繼續(xù)訓練的過程）惧所。
這一策略讓網(wǎng)絡在不同的輸入尺寸上都能達到較好的預測效果骤坐，使同一網(wǎng)絡能在不同分辨率上進行檢測。輸入圖片較大時下愈，檢測速度較慢纽绍，輸入圖片較小時，檢測速度較快势似，總體上提高了準確率拌夏，因此多尺度訓練算是在準確率和速度上達到一個平衡僧著。
????上表反映的是在檢測時，不同大小的輸入圖片情況下的YOLOv2和其他目標檢測算法的對比障簿№镉蓿可以看出通過多尺度訓練的檢測模型，在測試的時候站故，輸入圖像在尺寸變化范圍較大的情況下也能取得mAP和FPS的平衡皆怕。
網(wǎng)絡訓練
訓練分類網(wǎng)絡（預訓練）
??? YOLOv1采用的訓練網(wǎng)絡是GoogleNet，YOLOv2采用了新的分類網(wǎng)絡Darknet-19作為基礎(chǔ)網(wǎng)絡西篓，它使用了較多的3*3卷積核愈腾，并把1*1的卷積核置于3*3的卷積核之間，用來壓縮特征岂津，同時在每一次池化操作后把通道（Channels）數(shù)翻倍（借鑒VGG網(wǎng)絡）虱黄。
??? YOLOv1采用的GooleNet包含24個卷積層和2個全連接層，而Darknet-19包含19個卷積層和5個最大池化層（Max Pooling Layers）寸爆，后面添加Average Pooling層（代替v1中FC層）礁鲁，而Softmax分類器作為激活被用在網(wǎng)絡最后一層，用來進行分類和歸一化赁豆。
????在ImageNet數(shù)據(jù)集上進行預訓練仅醇，主要分兩步（采用隨機梯度下降法）：
輸入圖像大小是224*224，初始學習率（Learning Rate）為0.1魔种，訓練160個epoch析二，權(quán)值衰減（Weight Decay）為0.0005，動量（Momentum）為0.9节预，同時在訓練時采用標準的數(shù)據(jù)增強（Data Augmentation）方式如隨機裁剪叶摄、旋轉(zhuǎn)以及色度、亮度的調(diào)整安拟。
fine-tuning：第1步結(jié)束后蛤吓，改用448*448輸入（高分辨率模型），學習率改為0.001糠赦，訓練10個epoch会傲，其他參數(shù)不變。結(jié)果表明：fine-tuning后的top-1準確率為76.5%拙泽，top-5準確率為93.3%淌山，若按照原來的訓練方式，Darknet-19的top-1準確率是72.9%顾瞻，top-5準確率為91.2%泼疑。可以看出荷荤，兩步分別從網(wǎng)絡結(jié)構(gòu)和訓練方式方面入手提高了網(wǎng)絡分類準確率退渗。
訓練檢測網(wǎng)絡（fine-tuning）
????預訓練之后移稳，開始基于檢測的數(shù)據(jù)集再進行fine-tuning。? ??
????首先会油，先把最后一個卷積層去掉秒裕，然后添加3個3*3的卷積層，每個卷積層有1024個卷積核钞啸，并且后面都連接一個1*1的卷積層几蜻，卷積核個數(shù)（特征維度）根據(jù)需要檢測的類數(shù)量決定。（比如對VOC數(shù)據(jù)体斩，每個Cell需要預測5個Boungding Box梭稚，每個Bounding Box有4個坐標值、1個置信度值和20個條件類別概率值絮吵，所以每個單元格對應125個數(shù)據(jù)弧烤，此時卷積核個數(shù)應該取125。）
????然后蹬敲，將最后一個3*3*512的卷積層和倒數(shù)第2個卷積層相連（提取細粒度特征）暇昂，最后在檢測數(shù)據(jù)集上fine-tuning預訓練模型160個epoch，學習率采用0.001伴嗡，并且在第60和90個epoch的時候?qū)W習率除以10急波，權(quán)值衰減、動量和數(shù)據(jù)增強方法與預訓練相同瘪校。
YOLO9000的實現(xiàn)（數(shù)據(jù)及融合及聯(lián)合訓練）
??? YOLO9000通過結(jié)合分類和檢測數(shù)據(jù)集澄暮，使得訓練得到的模型可以檢測約9000類物體，利用帶標注的分類數(shù)據(jù)集量比較大的特點阱扬，解決了帶標注的檢測數(shù)據(jù)集量比較少的問題泣懊。具體方法是：一方面采用WordTree融合數(shù)據(jù)集，另一方面聯(lián)合訓練分類數(shù)據(jù)集和檢測數(shù)據(jù)集麻惶。
用WordTree融合數(shù)據(jù)集
????分類數(shù)據(jù)集和檢測數(shù)據(jù)集存在較大差別：檢測數(shù)據(jù)集只有粗粒度的標記信息馍刮，如“貓”、“狗”窃蹋，而分類數(shù)據(jù)集的標簽信息則更細粒度卡啰，更豐富。比如“狗”就包括“哈士奇”脐彩、“金毛狗”等等碎乃。所以如果想同時在檢測數(shù)據(jù)集與分類數(shù)據(jù)集上進行訓練姊扔，那么就要用一種一致性的方法融合這些標簽信息惠奸。
????用于分類的方法，常用Softmax（比如v2）恰梢，Softmax意味著分類的類別之間要互相獨立的佛南，而ImageNet和COCO這兩種數(shù)據(jù)集之間的分類信息不相互獨立（ImageNet對應分類有9000種梗掰，而COCO僅提供80種目標檢測），所以使用一種多標簽模型來混合數(shù)據(jù)集嗅回，即假定一張圖片可以有多個標簽及穗，并且不要求標簽之間獨立，而后進行Softmax分類绵载。
????由于ImageNet的類別是從WordNet選取的埂陆，作者采用以下策略重建了一個樹形結(jié)構(gòu)（稱為WordTree）：
遍歷ImageNet的標簽，然后在WordNet中尋找該標簽到根節(jié)點(所有的根節(jié)點為實體對象)的路徑娃豹；
如果路徑只有一條焚虱，將該路徑直接加入到WordTree結(jié)構(gòu)中；
否則懂版，從可選路徑中選擇一條最短路徑鹃栽，加入到WordTree結(jié)構(gòu)中。
WordTree的作用就在于將兩種數(shù)據(jù)集按照層級進行結(jié)合躯畴。
????如此民鼓，在WordTree的某個節(jié)點上就可以計算該節(jié)點的一些條件概率值，比如在terrier這個節(jié)點蓬抄，可以得到如下條件概率值：
????進而丰嘉，如果要預測此節(jié)點的概率（即圖片中目標是Norfolk terrier的概率），可以根據(jù)WordTree將該節(jié)點到根節(jié)點的條件概率依次相乘得到嚷缭，如下式：
其中：? ? ? ??
??? YOLO9000在WordTree1k（用有1000類別的ImageNet1k創(chuàng)建）上訓練了Darknet-19模型供嚎。為了創(chuàng)建WordTree1k作者添加了很多中間節(jié)點（中間詞匯），把標簽由1000擴展到1369峭状。
????訓練過程中GroundTruth標簽要順著向根節(jié)點的路徑傳播：為了計算條件概率克滴，模型預測了一個包含1369個元素的向量，而且基于所有“同義詞集”計算Softmax优床，其中“同義詞集”是同一概念下的所屬詞劝赔。
????現(xiàn)在一張圖片是多標記的，標記之間不需要相互獨立胆敞。在訓練過程中着帽，如果有一個圖片的標簽是“Norfolk terrier”，那么這個圖片還會獲得“狗”以及“哺乳動物”等標簽移层。
????如上圖所示仍翰，之前的ImageNet分類是使用一個大Softmax進行分類，而現(xiàn)在WordTree只需要對同一概念下的同義詞進行Softmax分類观话。然后作者分別兩個數(shù)據(jù)集上用相同訓練方法訓練Darknet-19模型予借，最后在ImageNet數(shù)據(jù)集上的top-1準確率為72.9%，top-5準確率為91.2%；在WordTree數(shù)據(jù)集上的top-1準確率為71.9%灵迫，top-5準確率為90.4%秦叛。
????這種方法的好處是有“退而求其次”的余地：在對未知或者新的物體進行分類時，性能損失更低瀑粥，比如看到一個狗的照片挣跋，但不知道是哪種種類的狗，那么就預測其為“狗”狞换。
????以上是構(gòu)造WordTree的原理避咆，下圖是融合COCO數(shù)據(jù)集和ImageNet數(shù)據(jù)集以及生成它們的WordTree的示意圖（用顏色區(qū)分了COCO數(shù)據(jù)集和ImageNet數(shù)據(jù)集的標簽節(jié)點）， 混合后的數(shù)據(jù)集對應的WordTree有9418個類修噪。另一方面牌借，由于ImageNet數(shù)據(jù)集太大，YOLO9000為了平衡兩個數(shù)據(jù)集之間的數(shù)據(jù)量割按，通過過采樣（Oversampling）COCO數(shù)據(jù)集中的數(shù)據(jù)膨报，使COCO數(shù)據(jù)集與ImageNet數(shù)據(jù)集之間的數(shù)據(jù)量比例達到1：4。
????對YOLO9000進行評估适荣，發(fā)現(xiàn)其mAP比DPM高现柠，而且YOLO有更多先進的特征，YOLO9000是用部分監(jiān)督的方式在不同訓練集上進行訓練弛矛，同時還能檢測9000個物體類別够吩，并保證實時運行。雖然YOLO9000對動物的識別性能很好丈氓，但是對衣服或者裝備的識別性能不是很好（這跟數(shù)據(jù)集的數(shù)據(jù)組成有關(guān)）周循。
聯(lián)合訓練分類數(shù)據(jù)集與檢測數(shù)據(jù)集
??? YOLO9000的網(wǎng)絡結(jié)構(gòu)和YOLOv2類似，區(qū)別是每個單元格只采用3個Anchor Boxes万俗。
??? YOLO9000提出了一種在分類數(shù)據(jù)集和檢測數(shù)據(jù)集上聯(lián)合訓練的機制湾笛，即使用檢測數(shù)據(jù)集（COCO）的圖片去學習檢測相關(guān)的信息即查找對象（例如預測邊界框坐標、邊界框是否包含目標及目標屬于各個類別的概率）闰歪，使用僅有類別標簽的分類數(shù)據(jù)集（ImageNet）中的圖片去擴展檢測到的對象的可識別種類嚎研。
????具體方法是：當網(wǎng)絡遇到一個來自檢測數(shù)據(jù)集的圖片與標記信息，就把這些數(shù)據(jù)用完整的損失函數(shù)（v2和9000均沿用了v1網(wǎng)絡的損失函數(shù)）反向傳播库倘，而當網(wǎng)絡遇到一個來自分類數(shù)據(jù)集的圖片和分類標記信息临扮，只用代表分類誤差部分的損失函數(shù)反向傳播這個圖片。
性能評估
??? YOLO v2 在大尺寸圖片上能夠?qū)崿F(xiàn)高精度教翩，在小尺寸圖片上運行更快杆勇，可以說在速度和精度上達到了平衡，具體性能表現(xiàn)如下所示饱亿。
coco數(shù)據(jù)集
voc2012數(shù)據(jù)集
