本文将检测变为一个regression problem（回归问题），YOLO 从输入的图像，仅仅经过一个神经网络，直接得到一些bounding box以及每个bounding box所属类别的概率。
因为整个的检测过程仅仅有一个网络，所以它可以直接进行end-to-end(端到端)的优化
YOLO将目标检测问题作为回归问题。会将输入图像分成S×S的网格，如果一个物体的中心点落入到一个cell中，那么该cell就要负责预测该物体，一个格子只能预测一个物体，会生成两个预测框。
对于具体的每个grid_cell
（1）预测B个边界框，每个框都有一个置信度分数（confidence score）这些框大小尺寸等等都随便，只有一个要求，就是生成框的中心点必须在grid cell里。
（2）每个边界框包含5个元素： (x,y,w,h)
损失函数
yolov1的缺点
- 在小目标检测上不行，如一群小鸟，又小又密集，就难以检测。因为yolov1对于每个cell只预测两个boundingbox，且这两个boundingbox是同一个类别的，所以当小目标聚集在一起时，yolov1的效果就会特别差。
- 对于新的输入尺寸效果不好
- 作者认为所有原因都源于对位置信息的定位不准确
Yolov2
Bactch Normalization
High Resolution Classifier
v1中预训练使用的是分类数据集，大小是224x224，然后迁移学习，微调时使用YOLO模型做目标检测的时候才将输入变成448x448，这样改变尺寸，网络就要多重新学习一部分，会带来性能损失。
v2中直接在预训练中输入中的就是448x448的尺寸，微调的时候也是448x448
Convolutional with Anchor Boxes
使用基于anchor的目标分类框的预测方式
什么是Anchor？
定义： Anchor（先验框） 就是一组预设的边框，在训练时，以真实的边框位置相对于预设边框的偏移来构建训练样本。 这就相当于，预设边框先大致在可能的位置“框”出来目标，然后再在这些预设边框的基础上进行调整。简言之就是在图像上预设好的不同大小，不同长宽比的参照框。
Anchor Box： 一个Anchor Box可以由边框的纵横比和边框的面积（尺度)来定义，相当于一系列预设边框的生成规则，根据Anchor Box，可以在图像的任意位置，生成一系列的边框。由于Anchor Box 通常是以CNN提取到的Feature Map 的点为中心位置，生成边框，所以一个Anchor Box不需要指定中心位置。
Anchor Box的构成
使用CNN提取的Feature Map的点，来定位目标的位置。 使用Anchor Box的Scale来表示目标的大小。 使用Anchor Box的Aspect Ratio来表示目标的形状。
Dimension Clusters
使用Anchor的问题一
Anchor Boxes的尺寸是手工指定了长宽比和尺寸，相当于一个超参数，这违背了YOLO对于目标检测模型的初衷，因为如果指定了Anchor的大小就没办法适应各种各样的物体了。
解决方法
在训练集的边界框上运行K-means聚类训练bounding boxes，可以自动找到更好的boxes宽高维度。由上面分析已知，设置先验Anchor Boxes的主要目的是为了使得预测框与真值的IOU更好，所以聚类分析时选用box与聚类中心box之间的IOU值作为距离指标
Direct location prediction 直接的位置预测
使用Anchor的问题二 模型不稳定，特别是在早期迭代期间。大多数不稳定性来自于对边框(x, y)位置的预测。
RPN网络的位置预测 方法： 预测相对于Anchor Box的坐标的偏移，和相对于Anchor Box高宽的偏移。
计算公式： 预测框中心坐标= 输出的偏移量×Anchor宽高+Anchor中心坐标
不足： 这个公式是不受约束的，因此任何锚框可以出现在图像中的任何位置。在随机初始化的情况下，模型需要很长时间才能稳定到预测合理的偏移量。
YOLOv2的改进
方法： 预测边界框中心点相对于对应cell左上角位置的相对偏移值。将网格归一化为1×1，坐标控制在每个网格内，同时配合sigmod函数将预测值转换到0~1之间的办法，做到每一个Anchor只负责检测周围正负一个单位以内的目标box。
计算公式： 一个网格相对于图片左上角的偏移量是cx，cy。先验框的宽度和高度分别是pw和ph，则预测的边界框相对于特征图的中心坐标(bx，by)和宽高bw、bh
效果
使模型更容易稳定训练，mAP值提升了约5%。
