PP-YOLOv2是在PP-YOLOv1基础上进一步提高效率得到的，最后结果是性能进一步提高而推理时间几乎没有变化。PP-YOLOv2（Resnet50）的mAP从45.9%提升到49.5%（COCO2017测试集上），基于Resnet101的mAP达到了50.3%,在640*640输入下帧率为68.9FPS，经过TensorRT FP16精度的加速，最后帧率提升到106.5FPS。

1. 介绍

PP-YOLOv2和YOLOv5l和YOLOv4-CSP具有几乎相同的参数，但性能好一些。PP-YOLOv2的baseline是PP-YOLO，而PP-YOLO又是YOLO-v3的增强版本。
Github仓库：https://github.com/PaddlePaddle/PaddleDetection
Gitee镜像：https://gitee.com/paddlepaddle/PaddleDetection
pp yolov2.pdf

2. 回看PP-YOLO

2.1 预处理

• 模型权重初始化使用Beta(α,β)分布
• 图片使用随机颜色崩坏、随机扩充、随机裁剪、随机翻转等tricks
• 将图片RGB归一化

2.2 基线模型

在YOLO-v3上使用了10个提高性能但不损失效率的tricks，包括Deformable Conv，SSLD，CoordConv，DropBlock，SPP等。

2.3 训练策略

使用了SGD优化，使用了小batch（96张图片分8个GPU），学习率逐步升高….

3. PP-YOLOv2的改进

3.1 路径聚合网络（Path Aggregation Network）

在目标检测领域，探测不同尺度的目标是一个重要的挑战。在PP-YOLO里面使用了FPN（Feature Pyramid Network，特征金字塔网络）来组建自底向上的路径；此处，PP-YOLOv2采用了PAN的设计使用自顶向下的信息。

3.2 激活函数：Mish

Mish公式如下：

3.3 更大的输入尺寸

增大输入尺寸会扩大目标的区域，因此小尺度目标的信息会比以前更容易保存（我不理解！）

Increasing the input size enlarges the area of objects. Thus, information of the objects on a small scale will be preserved easier than before.

3.4 IoU感知分支

定义了IoU损失如下。感觉类似交叉熵，不过把输入p换成了σ(p)

4. 实验

4.2 消融实验

他们还做了消融实验，A是基线模型，每一个创新点加上去mAP都有一些提升。

5. 没用的尝试

以下tricks尝试过，但没有带来性能提升：

1. 余弦学习率衰减
2. 骨干参数冻结
3. SiLU激活函数