yolov2相对于yolov1的改进：

1、加入Batch Normalization

2、yolov2使用更大的分辨率图片

V1训练使用图片分辨率为224*224，测试图片分辨率为448*448。

V2在V1上的改进为：V2训练时额外又进行了10次448*448的微调。

3、yolov2的网络结构

相对于yolov1的改进之处：

1.取消了FC层，用Maxpool进行5次降采样（得到13*13的特征图），因此可以输入不同分辨率的图片。

2.使用了1*1卷积，降低参数量和计算量。

4、聚类提取先验框（anchor box）

yolov1中的先验框是固定的，不一定符合数据集中物体的尺寸，yolov2做出的改进就是从数据集（如coco）中聚类提取先验框，yolov2提取的先验框分为五类，即k=5，聚类的计算方法由下图给出：

5、Direction Location Prediction 有向位置预测

6、3*3卷积替换5*5和7*7

好处：1. 参数量减少。 2. 增加非线性表达能力。

7、特征融合