因為YOLOV2的創新并不突出，主要是更新了backbone和借鑒了faster RCNN或者SSD，後面又提出了YOLO9000，可以檢測9000個類别。這個算是一個比較新穎的思路。
整體思路：
1、訓練：融合imageNet 9000類和coco 80類的訓練集。且并不需要重新标注imagenet 的檢測框，訓練時遇到coco資料回傳檢測loss，遇到image net資料回傳分類loss。（這裡我覺得應該是也把分類loss coco資料也被合并到imagenet）
2、預測：YOLOv2給出的置信度就是pr(physical opbject) ，同時會給出邊界框位置以及一個樹狀機率圖。在這個機率圖中找到機率最高的路徑，當達到某一個門檻值時停止，就用目前節點表示預測的類别。
YOLO9000可以快速檢測出超過9000個類别的物體，總體mAP值為19.7%。
需要解決的問題：
1、如何解決imagenet 9000類别的沖突問題。
2、如何對應imagenet 标簽和coco标簽。
解決方案:
一、通過Word tree。
狗這個label即屬于犬科也屬于家畜，這就很複雜了，完全是個圖結構。是以作者采用WordTree來解決分類和檢測資料集的标簽問題，也就是說在這個樹裡面任意一個節點隻能屬于唯一一個節點（跟WordNet是有差別的）。
*周遊Imagenet的label，然後在WordNet中尋找該label到根節點(指向一個實體對象)的路徑；
*如果路徑直有一條，那麼就将該路徑直接加入到分層樹結構中；
*否則，所有路徑中選擇一條最短路徑，加入到分層樹。
訓練時：使用multi-label模型，即假定一張圖檔可以有多個label，并且不要求label間獨立,即使用多個softmax。
預測時：條件機率模型的方式，某個節點的機率值等于該節點到根節點的所有條件機率之積。例如，如果想知道一張圖檔是不是“Norfolk terrier ”需要計算：
為了驗證這種方法作者在WordTree（用1000類别的ImageNet建立）上訓練了Darknet-19模型。為了建立WordTree1k，作者天添加了很多中間節點，把标簽由1000擴充到1369。訓練過程中ground truth标簽要順着向根節點的路徑傳播。例如，如果一張圖檔被标記為“Norfolk terrier”，它也被标記為“dog” 和“mammal”等。為了計算條件機率，模型預測了一個包含1369個元素的向量，而且基于所有“同義詞集”計算softmax，其中“同義詞集”是同一概念的下位詞。
softmax操作也同時應該采用分組操作，下圖上半部分為ImageNet對應的原生Softmax，下半部分對應基于WordTree的Softmax：
最後在Imagenet1k資料集上的top-1 accuracy為72.9%，top-5 accuracy為91.2%；在WordTree1k資料集上的top-1 accuracy為71.9%，top-5 accuracy為90.4%。在WordTree1k資料集上的準确率要稍低一點，主要是因為那些新的類别的影響。
然後作者開始融合ImageNet 9000和coco，進行聯合訓練，YOLO9000的主網絡基本和YOLOv2類似，隻不過每個grid cell隻采用3個box prior。
參考連結：
1、https://zhuanlan.zhihu.com/p/35325884
3、https://blog.csdn.net/u014380165/article/details/77961414
4、https://www.cnblogs.com/sddai/p/14760055.html