介绍

YOLOv1

输入图片最终被划分为 7x7 网格，每个单元格预测2个边界框。YOLOv1最后采用的是全连接层直接对边界框进行预测，其中边界框的宽与高是相对整张图片大小的，而由于各个图片中存在不同尺度和长宽比（scales and ratios）的物体，YOLOv1在训练过程中学习适应不同物体的形状是比较困难的，这也导致YOLOv1在精确定位方面表现较差。

YOLOv2

借鉴了Faster R-CNN中RPN网络的先验框（anchor boxes，prior boxes，SSD也采用了先验框）策略

当经过 darknet19，输出是 13x13 的特征图，每个点，都有以该点为中心的5个anchor box，相当于备选框，如下图：

预测

预测的是 目标 与 anchor boxes 的偏差

输入图片大小

在检测模型中，YOLOv2不是采用 448x448 图片作为输入，而是采用 416x416 大小。因为YOLOv2模型下采样的总步长为 32 ，对于 416x416 大小的图片，最终得到的特征图大小为 13x13 ，维度是奇数，这样特征图恰好只有 一个中心位置。

对于一些大物体，它们中心点往往落入图片中心位置，此时使用特征图的一个中心点去预测这些物体的边界框相对容易些。

所以在YOLOv2设计中要保证最终的特征图有奇数个位置。

YOLOv2使用了anchor boxes之后，每个位置的各个anchor box都单独预测一套分类概率值

anchor boxes 宽高

anchor boxes的宽高往往是手动设置的，在训练过程中网络也会学习调整boxes的宽高维度，最终得到准确的边框（bounding boxes）。

但是，如果一开始就选取 更合适的 anchor boxes宽高，那么模型就更容易学，更好的预测位置。

K-means 聚类方法

anchor boxes 的 宽高 也是通过 K-means 聚类方法得出，是与数据集相关

• COCO:
  (0.57273, 0.677385), (1.87446, 2.06253), (3.33843, 5.47434), (7.88282, 3.52778), (9.77052, 9.16828)
• VOC:
  (1.3221, 1.73145), (3.19275, 4.00944), (5.05587, 8.09892), (9.47112, 4.84053), (11.2364, 10.0071)

数据来源：
https://github.com/pjreddie/darknet/tree/master/cfg

anchor boxes 数量

作者使用了K-means聚类方法，对 训练集 中的边界框做了聚类分析，可以自动找到更好的boxes的 数量 和 宽高。

从上图可知，平衡复杂度和IOU之后，最终得到k值为5，作者选择了5种大小的box维度来进行定位预测。