YOLO ->SSD  -> YOLO2路線是基於迴歸檢測進化路線，

一句話來描述 來描述進化過程：

YOLO：RCNN系列物件檢測太慢了，能快點嗎？

SSD ：YOLO速度是上來了，可是mAP太低了？

YOLO2：結合YOLO和Faster RCNN網路各自快速和mAP高的優點，能滿足實時和較高的mAP的要求嗎？

YOLO摘要：

效能：22毫秒/張圖片，檢測結果是57.9%（mAP）

技術要點：圖片劃分為7*7的網格，各一個格子預測兩個目標，輸出為物件置信度+位置

SSD摘要：

效能：17毫秒/張圖片，檢測結果是73.9%（mAP）
技術要點：圖片劃分為8*8的網格 + anchors boxes + FCN，在不同層的feature map上使用3*3的滑窗，不同尺度檢測

YOLO2摘要：

效能：

（288*288圖片）：11毫秒/張圖片，檢測結果是69%（mAP）

（544*544圖片）：25毫秒/張圖片，檢測結果是78.6%（mAP）

技術要點：高解析度預訓練，卷積層上使用Anchor boxes，先聚類緯度，約束位置預測範圍，細粒度特徵，多尺度訓練

YOLO將目標檢測任務轉換成一個迴歸問題，大大加快了檢測的速度，使得YOLO可以每秒處理45張影象。而且由於每個網路預測目標視窗時使用的是全圖資訊，使得false positive比例大幅降低（充分的上下文資訊）。但是YOLO也存在問題：沒有了region proposal機制，只使用7*7的網格迴歸會使得目標不能非常精準的定位，這也導致了YOLO的檢測精度並不是很高。

SSD結合了YOLO中的迴歸思想和Faster R-CNN中的anchor機制，使用全圖各個位置的多尺度區域特徵進行迴歸，既保持了YOLO速度快的特性，也保證了視窗預測的跟Faster R-CNN一樣比較精準。SSD在VOC2007上mAP可以達到72.1%，速度在GPU上達到58幀每秒。

YOLO2使用一系列的方法對YOLO進行了改進，在保持原有速度的同時提升精度得到YOLOv2。並提出了一種目標分類與檢測的聯合訓練方法，同時在COCO和ImageNet資料集中進行訓練得到YOLO9000，實現9000多種物體的實時檢測。