YOLO9000(YOLO9000：Better, Faster, Stronger)是YOLO算法的改进版，YOLOv2相对v1版本，在继续保持处理速度的基础上，从预测更准确（Better），速度更快（Faster），识别对象更多（Stronger）这三个方面进行了改进。其中识别更多对象也就是扩展到能够检测9000种不同对象，所以称之为YOLO9000。

在保证目标召回率的同时，为了提高准确率和速度，YOLOv2并没有使用太深的网络这样也使得网络容易学习，主要做了以下几方面的改进：

1. Batch Normalization：在每个卷积层中加入批归一化，使mAP有了2%的提高。批归一化处理能够获得更好的收敛速度和收敛效果，减少过拟合的发生。
2. High Resolution Classifier：采用图像进行分类模型预训练后，再采用的高分辨率样本对分类模型进行10个epoch的微调，使网络特征逐渐适应的分辨率。然后再使用的检测样本进行训练，缓解了分辨率突然切换造成的影响。
3. Anchor Boxes：引入Anchor Boxes的思想后，使原来的每张图片预测98个Bounding-box增长到每张图片可以预测上千个Bounding-box。YOLOv2移除了全连接层、去掉了一个池化层，使网络卷积层输出具有更高的分辨率。同时减小输入图像的尺寸到，这样在下采样因子为32的情况下，的特征图能正好有一个网格在正中心。相对YOLOv1的81%的召回率，YOLOv2的召回率大幅提升到88%。同时mAP有0.2%的轻微下降。
4. Dimension Clusters：对训练集中标注的边框进行k-means聚类分析，设计出更符合样本中对象尺寸的先验框（Prior Boxes），这样就可以减少网络微调先验框到实际位置的难度。YOLOv2选择作为边框数量与IOU的折中。如图1所示。

图 1 k-means聚类得到的IOU

对比手工选择的Anchor Boxes，使用5个聚类得到的Prior Boxes即可达到61.0的Avg IOU，相当于9个手工设置的Anchor Boxes 60.9的Avg IOU。如下图2所示：

图 2 k取不同值时的Avg IOU

5. Direct Location Prediction：在使用Anchor Box时出现了预测边框的中心可能出现在任何位置的情况，导致训练早期阶段不容易稳定。因此YOLO调整了预测公式，将预测边框的中心约束在特定gird网格内。预测边框的蓝色中心点被约束在蓝色背景的网格内。如图3所示，约束边框位置使得模型更容易学习，且预测更为稳定。这种方式将mAP提高了5%。

   
   图3 利用Prior Box对预测框定位

6. Passthrough Layer： 输入经过卷积网络下采样最后输出是，较小的对象可能特征已经不明显甚至被忽略掉了。为了更好的检测出一些比较小的对象，YOLOv2引入一种称为passthrough层的方法在特征图中保留上一次池化之前的的特征。也就是说将的特征图转化为。然后直接传递到pooling后（并且又经过一组卷积）的特征图，两者叠加到一起作为输出的特征图，使得MAP提高了1%。

7. Multi-Scale Training：为了能使YOLOv2在不同尺寸的图片上鲁棒性更强，这里加入了多尺度的图像训练。因为去掉了全连接层，YOLOv2可以输入任何尺寸的图像。因为整个网络下采样倍数是32，作者采用了等10种输入图像的尺寸，这些尺寸的输入图像对应输出的特征图宽和高是。训练时每10个batch就随机更换一种尺寸，使网络能够适应各种大小的对象检测。

YOLOv2提出了Darknet-19（有19个卷积层和5个池化层）网络结构。Darknet-19比VGG-16小一些，精度不弱于VGG-16。YOLOv2的训练主要包括三个阶段：

• 第一阶段就是先预训练Darknet-19，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finetune分类模型。

• 第三个阶段就是修改Darknet-19分类模型为检测模型，移除最后一个卷积层、global avg pooling层以及softmax层，并且新增了三个卷积层，同时增加了一个passthrough层，最后使用卷积层输出预测结果，输出的channels数为：。由于Anchors数为5，对于VOC数据集（20种分类对象）输出的channels数就是125，最终的输出的特征大小为:

$$
(13, 13, 5,25)
$$

YOLOv2和其他的算法在Pascal VOC 2007数据集上的比较结果如下表：

Detection Frameworks	Train	mAP	FPS
YOLO	2007+2012	63.4	45
Fast R-CNN	2007+2012	70.0	0.5
Faster R-CNN VGG-16	2007+2012	73.2	7
YOLOv2 288×288	2007+2012	69.0	91
YOLOv2 352×352	2007+2012	73.7	81
YOLOv2 416×416	2007+2012	76.8	67
YOLOv2 480×480	2007+2012	77.8	59
YOLOv2 544×544	2007+2012	78.6	40

表1 YOLOv2与其他算法的性能比较

为了能够使模型检测出更多的分类，作者又提出了一种对COCO数据集和ImageNet数据集上联合训练的方式可以检测出9000个类别的物体的YOLO9000，使得YOLOv2即使没有学过很多对象的检测样本，也能检测出这些对象。

由于ImageNet的对象类别与COCO的对象类别不是互斥的。这样就不适合用单个softmax来做对象分类，而是要采用一种多标签分类模型。将ImageNet和COCO中的名词对象一起构建了一个WordTree，以physical object为根节点，各名词依据相互间的关系构建树枝、树叶，节点间的连接表达了对象概念之间的蕴含关系。

图4 WordTree名词关系树

对于单个节点，属于它的所有子节点之间是互斥关系，所以计算上可以进行softmax操作。实际中每个节点下的所有子节点都会进行softmax.

有标签的样本对应的WordTree中，该对象节点到根节点的所有节点概率都是1，其它节点概率是0。根据训练标签的设置，其实模型学习的是各节点的条件概率。

$$
Pr⁡(Norfolk terrier)=Pr⁡(Norfolk terrier│terrier)×Pr⁡(terrier│hunting dog)
$$

$$
×…×Pr⁡(mammal│animal)×Pr(animal|physical object)
$$
为了计算简便，从根节点开始向下遍历，对每一个节点，在它的所有子节点中，选择概率最大的那个，一直向下遍历直到某个节点的子节点概率低于设定的阈值，或达到叶子节点，那么该节点就是该WordTree对应的对象。

YOLO9000依然采用YOLOv2的网络结构，使用3个先验框，现在YOLO9000的输出是。由于对象分类改成WordTree的形式，相应的误差计算也需要一些调整。对一个检测样本，其分类误差只包含该标签节点以及到根节点的所有节点的误差。对于分类样本，则只计算分类误差。YOLO9000总共输出个预测框，计算它们对样本标签的预测概率，选择概率最大的那个框负责预测该样本的对象，即计算其WordTree的误差。

总的来说，YOLOv2通过一些改进明显提升了预测准确性，同时继续保持其运行速度快的优势。YOLO9000则开创性的提出联合使用分类样本和检测样本的训练方法，使对象检测能够扩展到缺乏检测样本的对象。