YOLO V2 使用

YOLO V2使用了一系列改进来提高YOLO V1的性能。首先，它引入了Batch Normalization（BN）层来替代Dropout，以提高模型的准确性。其次，YOLO V2使用了高分辨率分类器，以提高对小物体的检测能力。此外，YOLO V2还采用了Anchor思想，通过K-means算法选定了一组先验框的尺寸，以提高物体定位的准确性。与YOLO V1类似，YOLO V2的损失函数仍然主要以回归为主，使用L2-Loss而不是Cross Entropy Loss。不同于Faster RCNN，YOLO V2的回归目标也没有选择Offset，而是采用了与YOLO V1相似的策略。\[1\]\[2\]\[3\]
#### 引用[.reference_title]
- *1* *2* *3* [YOLO_v2讲解](https://blog.csdn.net/weixin_43702653/article/details/124243593)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insert_down1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]