囿簍· YOLO⒀
——YOLO9000，舉“九”反三。
伴随YOLOv2的釋出，YOLO9000同時出世。囿簍·YOLO思想追求在預測更準确(Better)、速度更快(Faster)的同時，識别對象更多(Stronger)，YOLO 發明者以YOLO9000 為例做了表率。
基于“殷網· Darknet-19”，YOLO9000提出了建構類名樹(WordTree，類别名稱樹)概念。這是借助了早期的 WordNet 模型思想方法。囿簍·YOLO建構的類名樹有9418個節點(即對象類型或類别名)。
YOLO9000 将先驗框減少到3個(見附圖的網絡結構)，以利減少計算量，加速囿簍檢測器的運作。
YOLO9000 開創性的提出了“聯合訓練算法”，即聯合使用分類樣本和檢測樣本的訓練方法，使對象檢測能夠擴充到缺乏檢測樣本的對象(應該屬于一種“弱監督學習”)。聯合訓練的好處在于，YOLO9000 可以檢測出不在COCO圖像集裡面的對象。是以即使在ImageNet圖詳集中有對象，而在COCO裡卻沒有，也可以順利檢測出相關目标對象。
YOLO，“隻瞄一回！”
囿簍，一簍撈盡。
———————
且待下回分解“囿簍”……
悅讀鍊🔗：
1. 論文：[1612.08242] YOLO9000: Better, Faster, Stronger網頁連結
2. 源碼：YOLO9000: Better, Faster, Stronger - Real-Time Object Detection. 9000 classes!網頁連結
3. 譯文：YOLO9000: Better, Faster, Stronger(YOLOv2)(翻譯) 網頁連結
4. 解讀：YOLO9000:Better Faster, Stronger論文筆記網頁連結
