YOLO9000:更好，更快，更强(YOLO9000:Better,Faster,Stronger)

作       者：Joseph Redmon,Ali Farhadi

作者单位：University of Washington,Alln Institute for AI

联系方式：http://pjreddie.com/yolo/

源       码：http://pjreddie.com/yolo/

摘要

我们介绍一个最新的可以在9000个分类上实时的对象检测系统YOLO9000。首先我们在先前YOLO检测方法的基础上提出了多种新奇的提升方法。YOLOv2是在类似于PASCAL VOC和COCO上最新的标准化检测任务的升级版模型。使用一种新奇、多尺度的训练方法可以使YOLOv2模型以不同尺寸和边界轻松的平衡速度和性能。在VOC 2007上YOLOv2可以以67FPS获得76.8的mAP。以40FPS,YOLOv2可以获得78.6的mAP。胜过最新的例如基于ResNet的Faster R-CNN和甚至比SSD运行得更快。最后我们在对象检测和分类上提出一种联合训练的方法。通过这种方法我们同时在COCO检测数据集和ImageNet分类数据集上训练YOLO9000。我们我们的联合训练允许YOLO9000来预测检测没有标注检测数据的对象分类。我们在ImageNet检测任务中验证了我们的方法。YOLO9000在ImageNet在即使仅仅含有44至200个分类的检测数据检测验证集上获得了19.7的mAP。在不在COCO数据集的156个分类上，YOLO9000获得了16.0的mAP。但是YOLO可以检测超过200个分类；它可以预测超过9000个不同的对象目录，并且是实时运行的。