YOLO算法(三)—— Yolov3 & Yolo系列网络优缺点

 yolov3改进了yolov1和v2的缺点，是速度和精度最均衡的目标检测网络，重点解决了小物体检测的问题

 

Yolov3改进策略

①更好的主干网络（类ResNet）

②多尺度预测（类FPN）

• 聚类来得到Bbox的先验，选择9个簇以及3个尺度
• 将这9个簇均匀的分布在这3个尺度上

③更好的分类器

binary cross-entropy loss

• Softmax不适用于多标签分类
• Softmax可被独立的多个logistic分类器替代，且准确率不会下降

 

Darknet框架

Yolov3的源码是采用darknet框架来完成的

注意区分这个darknet框架和yolov3的darknet-19网络

• 由C语言和CUDA实现GPU显存利用效率较高
• 第三方库的依赖较少
• 容易移植到其它平台，如Windows或嵌入式设备
• Yolo主页：https://pireddie.com/darknet/yolo/

 

Yolo系列网络优缺点

优点

• 快速，pipline简单
• 背景误检率低
• 通用性强

但相比RCNN系列物体检测方法，YOLO具有以下缺点：

• 识别物体位置精准性差
• 召回率低