前一篇物件偵測(4)停在 YOLOv1 的缺點上，現在就要來說 YOLOv2了！

YOLOv2

YOLOv2 的論文全名為 YOLO9000：Better , Faster , Stronger
這篇文章其實包含兩個模型：YOLOv2 和 YOLO9000，不過後者是在前者基礎上提出的，兩者模型主體結構是一致的。
所以我們就來了解 YOLOv2 在幹嘛吧！
YOLOv2 改善了 YOLOv1 在偵測精確度上的缺點，在變更快速的同時也達到對小物件偵測有著更高的精確度。

可以看到 YOLOv2 相比 YOLOv1 的改進策略～

那它是怎麼做到提升定位的準確度的同時又保持分類的準確度呢？
最主要是 YOLOv2 引入了 Faster RCNN 中的 anchor box 技術！

• Softmax 層對 anchors 進行分類，找到需要被檢測的 anchors
• Regression 層對 anchors 的邊框進行回歸找到精確度較高的Propsoal 邊框
• Propsoal Layer 再綜合兩者產生出多個 Propsoal Feature Map

如果不太清楚或是有點忘記 Fast RCNN的概念和運行，可以參考之前介紹的這篇：物件偵測(3) 複習一下!

除了上面的改進，也使用了 Batch Normalization，在 YOLOv2 中，每個卷積層後面都添加了 Batch Normalization 層，並且不再使用 dropout。
使用 Batch Normalization 後，YOLOv2 的 mAP 提升了 2.4 %。

Batch Normalization：是一個可以提升模型收斂速度，而且可以起到一定正則化效果，降低模型的過擬合的技術。

mAP：m 代表 mean，AP 是 Average Precision 的縮寫，是用來評估物體識別模型效能表現的指標。

一樣重要的還有用了 High Resolution Classifier，目前大部分的檢測模型都會在先在 ImageNet 分類資料集上預訓練模型的主體部分，分類模型基本採用大小是 224 x 224，在分類模型預訓練後，將解析度增加至 448 x 448，讓影像辨識更為精準！

圖片來源1
圖片來源2