上一篇文章主要是写了一些 YOLOv1 的原版网络结构，这篇文章一样，目标是还原论文中原版的 YOLOv2 的网络结构，而不是后续各种魔改的版本。
YOLOv2 和 YOLOv1 不一样，开始使用 Darknet-19 来作为 backbone 了。论文中给出了 Darknet-19 的网络结构细节图。但是表格中的输入甚至不是 448x448x3 的，而是 224x224x3 的，但是论文中特别提到：
We also shrink the network to operate on 416 input images instead of 448×448. We do this because we want an odd number of locations in our feature map so there is a single center cell.
就是说为了让网格为奇数，中心点只存在一个中心网格，就将输入的尺寸设定为了 416x416x3。
按照 416x416x3 的网络输入的话，backbone Darknet-19 的网络结构参数示意图如下面表格所示。
| layer | output size | module | |
|---|---|---|---|
| input | 416x416x3 | ||
| 1 | 416x416x32 | Conv 3x3x32, s-1, p-1 | backbone: Darknet-19 |
| 208x208x32 | Maxpool 2x2, s-2, p-0 | backbone: Darknet-19 | |
| 2 | 208x208x64 | Conv 3x3x64, s-1, p-1 | backbone: Darknet-19 |
| 104x104x64 | Maxpool 2x2, s-2, p-0 | backbone: Darknet-19 | |
| 3 | 104x104x128 | Conv 3x3x128, s-1, p-1 | backbone: Darknet-19 |
| 4 | 104x104x64 | Conv 1x1x64, s-1, p-0 | backbone: Darknet-19 |
| 5 | 104x104x128 | Conv 3x3x128, s-1, p-1 | backbone: Darknet-19 |
| 52x52x128 | Maxpool 2x2, s-2, p-0 | backbone: Darknet-19 | |
| 6 | 52x52x256 | Conv 3x3x256, s-1, p-1 | backbone: Darknet-19 |
| 7 | 52x52x128 | Conv 1x1x128, s-1, p-0 | backbone: Darknet-19 |
| 8 | 52x52x256 | Conv 3x3x256, s-1, p-1 | backbone: Darknet-19 |
| 26x26x256 | Maxpool 2x2, s-2, p-0 | backbone: Darknet-19 | |
| 9 | 26x26x512 | Conv 3x3x512, s-1, p-1 | backbone: Darknet-19 |
| 10 | 26x26x256 | Conv 1x1x256, s-1, p-0 | backbone: Darknet-19 |
| 11 | 26x26x512 | Conv 3x3x512, s-1, p-1 | backbone: Darknet-19 |
| 12 | 26x26x256 | Conv 1x1x256, s-1, p-0 | backbone: Darknet-19 |
| 13 | 26x26x512 | Conv 3x3x512, s-1, p-1 | backbone: Darknet-19 |
| 13x13x512 | Maxpool 2x2, s-2, p-0 | backbone: Darknet-19 | |
| 14 | 13x13x1024 | Conv 3x3x1024, s-1, p-1 | backbone: Darknet-19 |
| 15 | 13x13x512 | Conv 1x1x512, s-1, p-0 | backbone: Darknet-19 |
| 16 | 13x13x1024 | Conv 3x3x1024, s-1, p-1 | backbone: Darknet-19 |
| 17 | 13x13x512 | Conv 1x1x512, s-1, p-0 | backbone: Darknet-19 |
| 18 | 13x13x1024 | Conv 3x3x1024, s-1, p-1 | backbone: Darknet-19 |
因为要作为 YOLOv2 的 backbone，所以要将后面的一个 1x1 的卷积层（相当于 FC 层）和后续的 softmax 去掉。所以实际上 Darknet-19 作为 backbone 在 YOLOv2 里只有 18 个卷积层。
可以看到上面 YOLOv2 的 backbone 部分只有 Darknet-19 的 前 18 个卷积层。
- Pass Through 层，感觉和 YOLOv5 中出现的 Focus 模块是一样的：
是对特征的重新排列，一种特殊的 reshape。 - 最后的 1x1 卷积层，是根据类别 class 的数量来决定的，例如，你如果有目标检测的类别有 20 类，那么，因为每个网格 grid 一般会预测 5 个 boundary box，每个 boundary box 会预测 4 个坐标值（x, y, w, h） + 1 个置信率 conf + 20 个类别。计算出来就是一个网格 grid 会预测 125 个参数。
YOLO2的训练主要包括三个阶段。
- 第一阶段就是先在ImageNet分类数据集上预训练Darknet-19，此时模型输入为 224x224 ，共训练160个epochs。
- 第二阶段将网络的输入调整为 448x448，继续在ImageNet数据集上finetune分类模型，训练10个epochs，此时分类模型的top-1准确度为76.5%，而top-5准确度为93.3%。
- 第三个阶段就是修改Darknet-19分类模型为检测模型，移除最后一个卷积层、global avgpooling层以及softmax层，并且新增了三个 3x3x1024卷积层，同时增加了一个passthrough层，最后使用 1x1 卷积层输出预测结果，输出的channels数为：num_anchors(5+num_classes) 。