4.2 YOLOv2 (YOLO9000)

4.2 YOLOv2 (YOLO9000)

本节摘要：YOLOv2 用锚点和维度聚类解决 v1 的精度痛点。本节讲它的改进——精度大幅提升仍保持速度。

核心问题

阅读完本节，你应当能够：

1. 理解锚点机制如何提升精度
2. 说清维度聚类
3. 列举 v2 的其他改进

概念脉络

一、YOLOv2 的目标

YOLOv1 快但精度低（VOC mAP 63.4，比 Faster R-CNN 73.2 差 10 个点）。YOLOv2 的目标：提升精度同时保持速度。

二、锚点机制（核心改进）

YOLOv1 每格直接预测框，难学。YOLOv2 引入 Faster R-CNN 的锚点：每格预测相对锚点的偏移，而非凭空预测框，学习更稳定。

引入锚点后，每格预测 9 个锚点（而非 v1 的 2 个），召回率大幅提升。为什么锚点更好学？预测绝对坐标 (x,y,w,h) 时，模型要同时猜"位置在哪"和"多大"，目标空间大且尺度不一；预测相对锚点的偏移时，位置被锚点"固定"在附近，模型只需要微调，任务变简单，收敛也快。

三、维度聚类

锚点的尺寸和长宽比怎么定？Faster R-CNN 手动设定。YOLOv2 用 K-means 聚类在训练集边界框上自动找最佳锚点尺寸：

图 4-2 YOLOv2 改进

用距离度量（1-IoU）而非欧氏距离聚类，找到训练集真实的框尺寸分布，比手动设定更贴合数据。

# K-means 聚类锚点（距离用 1-IoU，避免大框主导）
def cluster_anchors(box_whs, k=5, iters=50):
    """box_whs: 训练集所有标注框的宽高列表"""
    centers = box_whs[np.random.choice(len(box_whs), k, replace=False)]
    for _ in range(iters):
        # 距离 = 1 - IoU（假设两框中心对齐）
        dists = np.array([[1 - iou_center(wh, c) for c in centers] for wh in box_whs])
        labels = dists.argmin(axis=1)
        centers = [box_whs[labels == i].mean(axis=0) for i in range(k)]
    return np.array(centers)
​

为什么不用欧氏距离？欧氏距离对大框敏感：同样差 10 像素，大框的 IoU 损失很小，小框的 IoU 损失很大，聚类结果会被大框带偏。用 1-IoU 作为距离，聚类结果直接反映"框的形状分布"，和检测任务的目标一致。这也是 YOLO 系列区别于 Faster R-CNN 手动设锚点的地方。

四、直接位置预测

YOLOv2 不直接预测框绝对坐标，而是预测相对网格左上角和锚点尺寸的偏移，用 sigmoid 限制到 0-1，训练更稳定。

如果不加 sigmoid，回归值可能跑到任意位置，导致训练早期框乱跳。sigmoid 把中心点偏移限制在所在网格内，配合锚点宽高，预测始终"有界"，训练稳定性大幅提升。这套"网格内中心 + 锚点尺寸"的编码，后来 YOLOv3-v5 基本沿用。

五、其他改进

高分辨率预训练值得注意：分类预训练用 224x224，检测输入提到 448x448，直接切换会让网络不适应大输入。YOLOv2 先在 448 上微调分类网络 10 个 epoch，再转检测训练，mAP 提升了约 4 个点。这种"预训练和下游输入分辨率对齐"的思路，后来被广泛应用。

六、性能

YOLOv2 精度大幅提升（+15 mAP），速度还更快，是显著进步。提速来源：Darknet-19 比 v1 的 GoogLeNet 风格骨干更快，配合 BN 收敛更快。注意这些增益大多来自训练技巧而非单纯加层——这也说明检测的进步经常是"工程配方"的胜利。

七、YOLO9000

YOLOv2 还提出 YOLO9000，用 WordTree 层次分类，在 COCO+ImageNet 联合训练，能检测 9000 类，探索检测+分类联合。它把 ImageNet 的类别组织成树，节点是类别，边是包含关系；训练时检测数据走完整检测损失，分类数据只走分类分支。这让模型对没有检测标注的类别也能"认出但说不准位置"，是弱监督检测的早期探索。

八、对比视角

v2 的每一项改动都有明确的"治什么病"：锚点治难学，聚类治锚点不贴合，BN 治收敛，高分辨率治大目标，Passthrough 治小目标，多尺度治尺度鲁棒。

⚠️ 锚点的意义：v1 凭空预测框难学，v2 用锚点做参考，预测偏移，学习更稳定，召回率提升。这是单阶段精度提升的关键。

💡 关键直觉：YOLOv2 用锚点（预测偏移而非凭空）+维度聚类（自动找锚点尺寸）解决 v1 精度痛点。加 BN、多尺度训练、Passthrough。mAP 63→79，速度仍快。

要点速记

• 目标：提升精度保持速度。
• 锚点机制：预测相对锚点偏移，每格 9 锚点，召回提升。
• 维度聚类：K-means（1-IoU 距离）自动找最佳锚点尺寸，比手动准。
• 直接位置预测：相对网格+锚点偏移，sigmoid 限 0-1，训练稳定。
• 其他：BN、高分辨率预训练、Passthrough、多尺度训练、Darknet-19。
• 性能：mAP 63.4→78.6，速度 67FPS。
• YOLO9000：WordTree 联合检测+分类，9000 类。

下一节看 YOLOv3 怎么解决小目标。