1. 背景
YOLOv2相对于v1版本，继续保持了很高的处理速度，但是在预测的准确率上有个很高的提高，但是其基本思想还是和v1版本是一致的，通过划分网格，以及使用简单的网络结构来处理分类问题。
由于YOLO系列，都是从V1开始逐步进行一些缺点的改进，故后面将只叙述改进部分的细节。
2.具体改进措施
2.1 输入及输出的格式
输入由V1的448 * 448 * 3 改为416 * 416 * 3，输出从 7 * 7 改到 13 * 13，即从打7 * 7的格子到现在打13 * 13的格子，对小物体及稠密的物体稍微更有好一点。
2.2 融合层（浅层特征和深层特征融合）
由于浅层特征提取的是边缘信息，比如图像的轮廓等等，而深层特征提取的则是语义信息，而在yolo v2网络结构中有一层是需要融合这两个特征的，雇佣到该层，具体操作则是将大小为截面大小为26x26的张量，分为四个截面为13x13的张量保存下来，然后将预先的26x26的张量进行最后的pooling和卷积，然后将该结果和保存的四个截面为13x13的张量按顺序连接起来，形成一个13x13x3072大小的张量。
2.3 Batch Normalization（归一化）
起到网络正则化的作用，避免过拟合。
2.4 Multi-Scale Training（多尺度训练）
由于完全摒弃FC层，故对输入图片的格式没有要求，即能接受任意尺寸的图片，来提高模型的实用性。
将320, 352, …, 608. 这些尺寸的图片每个训练10个epochs
2.5 Anchor
2.5.1 anchor大小和数量
这里的anchor和faster r-cnn里的anchor有一定的区别，faster里是通过手算每个网格得出9个anchor，而在v2中则是用K-means聚类的方法将每一个网格的预测窗口个数降到了5个。
**所谓聚类，就是在训练集上进行预测框的距离（预测框的参数x1，y1，x2，y2），那么如何定义聚类的距离了，因为距离小的将被合并，距离大的将被分离，所以用1-IoU来判断两个预选框的距离，如果IoU大，表示两个预选框重合面积大，可以进行合并，如果IoU小，表示两个预选框重合面积大，需要进行分离。
2.5.2 : Anchors, Truth BBoxes & Predicted BBoxes
