深度学习系列之YOLOv2 个人总结

YOLO1很渣，但YOLO2却很6，在保证速度的前提下精度还很高。而且基于YOLO2的YOLO9000，可以实时检测不同类别下的不同品种。比如检测dog，YOLO9000可以检测出是哪一种狗：哈士奇、阿拉斯加、拉布拉多等等。
YOLO9000跟我做的联系比较密切。我之前做交通标志的检测是先检测出交通标志这个大类，然后再单独训练一个分类网络，进行类下的具体交通标志的识别。如果利用YOLO9000，会使这样工作更加unified。但最近比较忙，暂时没有时间拿来跑一跑，估计下个月会试一试YOLO9000。

1. Better

---

Better = mAP更高，在VOC2007上，达到78.6%

1.1 引入了anchor

YOLO1中，是不用anchor的，直接在7X7的image上做检测，而且一个grid只使用2个bbox。但这样recall低、定位精度差，mAP渣，唯一好处就是速度快。

所以YOLO2引入了anchor，在feature map上每个grid(论文中是13X13)，有5个尺寸不同、尺度不同的anchor，每个anchor分别预测类别C+位置(5项)。这样一个grid输出(C+5)5。 YOLO1是(C+55)，直接是一个grid就进行分类。YOLO2则是用anchor做分类。(faster r-cnn是用RPN产生的proposal做分类，ssd是用不同feature map上的anchor做分类)。

这样做的好处是可以有效的提高recall，让模型在预测时不至于总是漏掉object。

1.2如何选择anch