1.YOLOv2提升mAP的改进策略
YOLOv1虽然检测速度很快，但是在检测精度上却不如R-CNN系检测方法，YOLOv1在物体定位方面（localization）不够准确，并且召回率（recall）较低。YOLOv2共提出了几种改进策略来提升YOLO模型的定位准确度和召回率，从而提高mAP，YOLOv2在改进中遵循一个原则：保持检测速度，这也是YOLO模型的一大优势。YOLOv2的改进策略如图4所示，可以看出，大部分的改进方法都可以比较显著提升模型的mAP。
YOLOv2相比YOLOv1的改进策略
批标准化: Batch Normalization可以提升模型收敛速度，而且可以起到一定正则化效果，降低模型的过拟合。在YOLOv2中，每个卷积层后面都添加了Batch Normalization层，并且不再使用droput，mAP提升了2.4%。
高分辨率分类器:训练网络的时候将网络从224*224变为448*448，后续为了保证特征图中只有基数个定位位置，从而保证只有一个中心细胞，网络最终设置为416*416，最终实现了4%的mAP提升。
带锚箱的卷积:作者去掉了yolov1中的全连接层，加入了anchor boxes，这样做的目的是得到更高的召回率，最终，yolov1只有98个边界框，yolov2达到了1000多个。mAP由69.5下降到69.2，下降了0.3，召回率由81%提升到88%，提升7%。
维度聚类:这里作者提出了kmeans聚类，这里的K作者取值为5，这样会在模型复杂度和召回率之间达到一个好的折中。并且使用聚类的中心代替Anchor，最后使用欧式距离进行边界框优先权的衡量，欧式距离公式如图5所示，距离越小说明优先权越高。在k为5 的条件下，Avg IOU从60.9提升到了61.0。在k为9的的条件下Avg IOU提升为67.2。
欧氏距离公式
2.YOLOv2的网络结构
YOLOv2采用了一个新的基础模型（特征提取器），称为Darknet-19，包括19个卷积层和5个max pooling层，如图6所示。Darknet-19与VGG16模型设计原则是一致的，主要采用 
Darknet-19模型
3.多尺度训练
由于YOLOv2模型中只有卷积层和池化层，所以YOLOv2的输入可以不限于
4.YOLO9000
提出了一种联合训练方法，能够容许同时使用目标检测数据集和分类数据集。使用有标记的检测数据集精确定位，使用分类数据增加类别和鲁棒性。