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