囿篓· YOLO⒀
——YOLO9000，举“九”反三。
伴随YOLOv2的发布，YOLO9000同时出世。囿篓·YOLO思想追求在预测更准确(Better)、速度更快(Faster)的同时，识别对象更多(Stronger)，YOLO 发明者以YOLO9000 为例做了表率。
基于“殷网· Darknet-19”，YOLO9000提出了构建类名树(WordTree，类别名称树)概念。这是借助了早期的 WordNet 模型思想方法。囿篓·YOLO构建的类名树有9418个节点(即对象类型或类别名)。
YOLO9000 将先验框减少到3个(见附图的网络结构)，以利减少计算量，加速囿篓检测器的运行。
YOLO9000 开创性的提出了“联合训练算法”，即联合使用分类样本和检测样本的训练方法，使对象检测能够扩展到缺乏检测样本的对象(应该属于一种“弱监督学习”)。联合训练的好处在于，YOLO9000 可以检测出不在COCO图像集里面的对象。因此即使在ImageNet图详集中有对象，而在COCO里却没有，也可以顺利检测出相关目标对象。
YOLO，“只瞄一回！”
囿篓，一篓捞尽。
———————
且待下回分解“囿篓”……
悦读链🔗：
1. 论文：[1612.08242] YOLO9000: Better, Faster, Stronger网页链接
2. 源码：YOLO9000: Better, Faster, Stronger - Real-Time Object Detection. 9000 classes!网页链接
3. 译文：YOLO9000: Better, Faster, Stronger(YOLOv2)(翻译) 网页链接
4. 解读：YOLO9000:Better Faster, Stronger论文笔记网页链接
