1. YOLOv2的训练步骤
YOLOv2的训练主要包括三个阶段。
第一阶段就是先在ImageNet分类数据集上预训练Darknet-19，此时模型输入为224×224，共训练160个epochs。
第二阶段将网络的输入调整为448*448，继续在ImageNet数据集上finetune分类模型，训练10个epochs，此时分类模型的top-1准确度为76.5%，而top-5准确度为93.3%。
第三个阶段就是修改Darknet-19分类模型为检测模型，并在检测数据集上继续finetune网络。
2. YOLOv2添加的7个trick：
Batch Normalization
每个卷积层后添加BN层。批标准化有助于解决反向传播过程中的梯度消失和梯度爆炸问题，降低对一些超参数的敏感性，并且每个batch分别进行归一化的时候，起到了一定的正则化效果，从而能够获得更好的收敛速度和收敛效果。在yolov2中卷积后全部加入Batch Normalization，网络会提升2%的mAP。
High Resolution Classifier
YOLOv1中训练backbone时，用224×224的ImageNet的分类图片进行训练；然后在训练检测时，用448×448的检测图像进行训练。但这样的切换对模型有一定的影响。
于是在YOLOv2训练backbone时，用224×224的ImageNet的分类图片进行训练，用448×448的分类图片进行微调。在训练检测时，用448×448的检测图像进行训练。这样就缓解了分辨率突然切换造成的影响。
Convolutional With Anchor Boxes
采用基于Anchor/priors的预测。
Dimension Clusters
采用k-means聚类获得priors的宽高。
Direct lacation predict
在学习Faster RCNN时，通常有一个误区，总是认为Anchor就是Region based中预测框。但实际上在Anchor-based中，Anchor和预测框还是不同的，Anchor一生成数量很多且Anchor的位置是固定的，Anchor与目标的大小，位置极可能是匹配不上的，那么就需要不断微调Anchor的大小位置，不断向目标靠近，预测框就是Anchor的微调结果。
在Faster RCNN中，RPN就是将Anchor微调成预测框，计算的是Anchor和GT的损失，而到了最后softmax和bbox regression中则是计算预测框和GT的损失。
在Faster RCNN的目标检测算法中，微调Anchor通过预测偏移量来得到预测框坐标。（回顾一下Faster RCNN中的RPN结构，回归参数的损失函数是计算偏移量的损失，详见《3. Fast RCNN》）
这个公式是无约束的，预测的边界框很容易向任何方向偏移。因此，每个位置预测的边界框可以落在图片任何位置，这导致模型的不稳定性，在训练时需要很长时间来预测出正确的偏移参数。
在YOLOv1进行了Anchor微调公式的改进：
改进：网络在最后一个卷积层输出13×13的feature map，对应着原图上有13×13个grid，每个grid有5个anchor box来预测5个bounding box。
每个bounding box预测得到5个值，分别为：（，）是关于中心坐标的偏移参数，（，）是关于目标宽高的缩放因子，类似YOLOv1的confidence。
为了将bounding box的中心点约束在当前cell中，使用函数将、归一化处理，将值约束在0~1，这使得模型训练更稳定。
（，）是该点所在grid左上角相对于原图左上角的距离。（，）是Anchor的宽高。
Fine-Grained Features
为了提高检测小目标的精度，使用pass-through layer进行深层特征和浅层特征的融合。
PassThrough Layer
(W,H,C)经过PassThrough Layer变成(W/2,H/2,4C)。
下图为yolov2的整体架构： (26,26,64)经过PassThrough Layer变成(13,13,256)。
yolov2的整体架构
Multi-Scale Training
若深度神经网络最后一层是全连接层，那么输入就需要固定。 我们固定尺寸的图片输入flattern后变成了(800,1)，全连接层(500,800)，类别为500。那么(500,800)×(800,1)=(500,1)。
那么如果输入是不固定的，那么输入flattern后假如变成了(10086,1)，全连接层仍然(500,800)，最终无法进行全连接。
YOLOv2中只有卷积层和池化层，因此不需要固定的输入图片的大小。
为了让模型更有鲁棒性，作者引入了多尺度训练。就是在训练过程中，每迭代一定的次数，改变模型的输入图片大小。
注：Multi-Scale Training是YOLOv2步骤中第三步检测数据集fine-tuning时采用的。
输入输出
YOLOv1→YOLOv2输入：由448×448×3→416×416×3
YOLOv1→YOLOv2输出：由13×13×30→13×13×(5*(20+5)) YOLOv1是2个先验框，YOLOv2是5个Anchor。
