关于网络：
YOLOv2用的是Darknet-19网络用于特征提取的。作者在论文中这样说到：其实很多检测框架都是依赖于VGG-16网络来提取特征的，VGG-16是一个强大的，准确率高的分类网络，但是它很复杂。看没看到，作者用了一个“但是”就把这个网络否定了，然后自己牛逼的提出了一个比它优秀的网络。作者继续补刀：仅一张分辨率为224*224的图片在单次传递的时候,VGG-16的卷积层就需要30.69 billion次浮点运算操作。看一张网络运算浮点操作的图就知道了，反正你知道VGG-16运算量很大就行了。
我解释一下，目标检测网络在训练之前都要用单独的网络来与提取特征，进行预训练，然后特征提取之后再在后面加上自己的创造的目标检测网络（一系列卷积层等），完成目标检测。之前的YOLOv1用的特征提取网络是GoogLeNed的改进版本，图上可以看到，计算量是8.52G-ops,top-5准确率是88.0%，VGG-16网络top-5准确率是90.0%（30.69G-ops），而，注意啦！Darknet-19网络计算量是5.58G-ops,top-5准确率高达91.2%。看一下Darknet-19的结构：
再详细看一下在Darknet-19的基础上的YOLOv2网络结构：
YOLO2网络中第23层上面是Darknet-19网络，后面是添加的检测网络。
YOLO 2采用神经网络结构，有32层。结构比较常规，包含一些卷积和最大池化，其中有一些1*1卷积，采用GoogLeNet一些微观的结构。其中要留意的是，第25层和28层有一个route。例如第28层的route是27和24，即把27层和24层合并到一起输出到下一层，route层的作用是进行层的合并。reorg是passthrough层。30层输出的大小是13*13，是指把图片通过卷积或池化，最后缩小到一个13*13大小的格。每一个格子的output参数是125。所以最后输出的参数一共是13*13*125
改进
k-means clusters
YOLOv2使用了anchor，但并非手动选取，而是通过聚类的方式学习得到。在训练集上使用k-means算法，距离衡量的方式为：
目的使得大框小框的损失同等衡量。
聚类的结果发现，聚类中心的目标框和以前手动选取的不大一样，更多的是较高、较窄的目标框。聚类结果也有了更好的性能。
框回归
通过使用sigmid函数，将偏移量的范围限制到 （0，1），使得预测框的中心坐标总位于格子内部，减少了模型的不稳定性。
另外，YOLOv2的分类置信度不再共享，每个anchor单独预测。即每一个anchor得到C+5的预测值。
passthrough layer
passthrough层在预测时使用，将网络中间层的特征图输出（具体见下文），将下采样时同一位置的像素分解成4个子图，concat合并起来。变换后通道数变为4倍，下采样2倍。如从512×26×26变为2048×13×13。
passthrough层的使用，融合了较高分辨率下的特征信息。
多尺度训练
由于网络中只包含卷积层和池化层，YOLOv2为了增加网络的鲁棒性，在训练过程中动态调整网络的输入大小，同时相应地调整网络的结构以满足输入。因为网络下采样32倍，要求输入尺寸包含因数32。
网络结构
YOLOv2中使用了一种新的基础网络结构，基于Googlenet，名为Darknet-19。拥有19个卷积层和5个Max Pooling层，网络中使用了Batch Normalization来加快收敛。
下图为基础网络的结构，output部分是输入为224×224的输出情况，网络总体下采样32倍。
Darknet-19
最后的conv层、avgpool层和softmax层是用于分类训练时的输出结构。当进行预测时，去掉这三层，只保留箭头间的部分进行特征提取。
用网络进行目标检测时，再添加一些conv层和一个passthrough层。具体组织如下：
训练过程
主要的训练过程为：
（1）先使用ImageNet数据集对Darknet-19进行分类训练，输入图片大小为224×224，包含标准的数据扩充方式。
（2）将输入图片大小调整为448×448，进行fine-tune。
（3）去掉分类的输出层，添加上文提到的目标检测输出层，进行目标检查的训练。
YOLOv2在上述训练的基础上，又进行了一个联合训练，额外使用只包含标签信息的数据集来进行分类训练，扩大网络可以预测的物体种类数，使其变得更加强大，即YOLO9000。