1、YOLOV1
- 优点:快速,简单!
- 问题1:每个Cell只预测一个类别,如果重叠无法解决
- 问题2:小物体检测效果一般,长宽比可选的但单一
YOLOV2更快!更强!
2、Batch Normalization
- V2版本舍弃Dropout,卷积后全部加入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
3、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%
4、网络结构
- DarkNet,实际输入为416*416
- 没有FC层,5次降采样,(13*13)
- 1*1卷积节省了很多参数