背景：大多数目标检测受限于一小部分目标，无法检测各种各样的类别。和其他如分类任务相比，目标检测的数据集是相对有限的（yolov1检测（voc数据集20类）），这是因为在图像标记上比分类的标记要花费更多时间精力，因此不会像分类任务里头的Imagenet一样有几百万张标记好的图片（目标检测标记图片需要锚框，分类任务不需要）。
1. 网络结构
Yolov1：采用全连接层，将最后的卷积特征直接展平成一个向量，输出 7x7x30 大小的预测结果。全连接层的使用增加了计算复杂度，并且降低了空间位置感知能力。
Yolov2：去掉了全连接层，改为全卷积网络，并引入了 1×1 卷积来调整通道数，增强了网络的灵活性和效率。此外，还在网络中加入了batch normolization，这有助于加速训练并提高模型的稳定性。
2. 预测框机制
Yolov1：每个 grid cell 直接预测两个边界框的x, y, w, h，并且这两个框共用一个类别预测。
Yolov2：每个网格单元不再只预测两个边界框，而是预测多个与锚点尺寸相关的边界框。这些锚点是预先定义的，基于训练数据集中目标尺寸的分布。使用多个锚点可以提高对不同尺寸目标的检测能力。
3. 损失计算策略
只是计算策略不同，loss function还是使用MSE。
Yolov1：损失函数没有引入锚框的概念，直接预测边界框坐标。分类损失和定位损失直接相加。
Yolov2：在损失计算时，通过 IOU 找到与真实框最接近的预测框，然后基于此框来计算损失。锚框的引入使得 YOLOv2 更容易处理不同尺寸的物体。
4. 类别预测
Yolov1：每个 grid cell 的两个预测框共用一个类别预测，限制了检测的灵活性。
Yolov2：每个预测框有独立的类别预测，这使得 YOLOv2 可以在同一个 grid cell 内检测多种不同类别的物体。
5. 类别损失的优化
Yolov1：使用标准的 softmax 分类损失，类别数量多时，训练速度较慢。
Yolov2：引入了 softmax tree，通过树状结构来优化多类分类，减少了计算复杂度，特别是在处理大规模分类任务时显得更为高效。
6. 其他改进
Yolov2引入了更高分辨率的图片进行训练（如 416×416），从而提高了检测小物体的效果。同时，YOLOv2 引入了多尺度训练，通过在训练中动态改变输入尺寸来增强模型的鲁棒性，使得它可以在不同分辨率下都能有良好的性能表现。