YOLOv2

一、Backbone

二、Neck Network

三、Detect head

YOLOv2相对于YOLOv1的改进：

改进之一：Batch Nomalization

         YOLOv2在每个卷积层后都加入了BN层，BN层既能加快模型的收敛速度，也能起到一定的正则化的效果，起到抑制过拟合的效果，并且不在使用dropout。

改进之二：High Resolution Classifier

          大部分的目标检测任务，都是用ImageNet来训练特征提取部分（Backbone),但是，imagenet的图片大小为224*224，因此，对于大分辨率的图片检测时就，模型 的效果就会很差，YOLOv1是使用448*448的图像直接训练模型，但是网络很难很快适应这个大分辨率的图像，YOLOv2怎么做的呢？它是在imageNet数据集上加入448*448的图片分辨率来训练网络，最后再用448*448大小的图片来finetune 网络。

改进之三：Convolutional with anchors boxes

      

参考资料

目标检测|YOLOv2原理与实现(附YOLOv3) - 知乎 (zhihu.com)