yolov2演算法詳解部落格
一 better
1.對每一層都做了歸一化
2.先利用分類資料對網路進行訓練，然後遷移學習。
3.不再和yolov1那樣直接**bounding box，yolov2中開始利用ancher box,
4.dimension clusters，利用k-means聚類的方式，發現只需要5個預選框就能得到比較不錯的結果。
5.direct location prediction，不是**偏移量，還是直接**最終位置。
6.fine-grained features，將前面26*26的feature map層與最終的13*13相連線。
二faster
1.基礎網路使用darknet-19,這個網路包含19個卷積層和5個max pooling層，而在yolo v1中採用的goolenet，包含24個卷積層和2個全連線層，因此darknet-19整體上卷積卷積操作比yolo v1中用的googlenet要少，這是計算量減少的關鍵。
YOLO v2 檢測原理
v2版本的優化目標 改善召回率，提公升定位精度，保證分類準確度。yolov2相比yolov1的改進 v2在每乙個卷積之後增加了bn層，提高了網路訓練的速度，加快了收斂，消除了對其他正則化的依賴，且正則化效果更好，使調參更簡單，即使去掉dropout層也不會產生過擬合。v1先使用224 224的解析度...
Yolo v2 多版本安裝
1 vs2015 opencv3.2 geforce gt 1030 c 編譯 github vs2015安裝 opencv3.2配置 cuda選擇9.0，cudnn配套 配置和編譯 雙擊 darknet master build darknet darknet.sln 如果沒有gpu採用darkn...
目標檢測 YOLOv2總結
以下為筆記相關鏈結 推薦使用鏈結閱讀 yolov2個人總結 01.yolo v2 題目 yolo 9000 better,faster,stronger 作者 joseph redmon yolo系列的主要作者 四個問題 要解決什麼問題？在yolov1的基礎上解決小目標檢測精度 定位資訊錯誤及綜合性...