yolov2在yolov1上的改进

YoloV2是Yolo（You Only Look Once）目标检测算法的改进版本，相比于YoloV1，它在以下方面进行了改进：

1. 使用batch normalization：在YoloV1中使用了Dropout来避免过拟合，但是Dropout会降低模型的效率。YoloV2则使用了batch normalization来避免过拟合，同时提高了模型的准确率。

2. 使用Anchor Boxes：在YoloV1中，每个单元格只负责检测一个物体，但是在现实中，一个单元格可能包含多个物体。YoloV2使用Anchor Boxes来解决这个问题，每个单元格可以预测多个Anchor Boxes，每个Anchor Box负责检测一个物体。

3. 使用卷积层代替全连接层：在YoloV1中，全连接层的数量很多，会导致计算量很大，而且全连接层会导致空间信息丢失。YoloV2使用卷积层代替全连接层，避免了这些问题。

4. 使用ResNet和Darknet-19作为基础网络：在YoloV1中，使用的是简单的卷积神经网络，而YoloV2则使用了ResNet和Darknet-19作为基础网络，提高了模型的精度。

5. 多尺度训练：在YoloV2中，使用了多尺度训练，可以检测不同尺度的物体，提高了模型的泛化能力。

综上所述，YoloV2相比于YoloV1，在模型的准确率、速度和效率方面都有了显著的提高。