faster RCNN/YOLO/SSD算法的比较

最新推荐文章于 2025-04-03 22:30:24 发布
置顶 最新推荐文章于 2025-04-03 22:30:24 发布
阅读量5.8w 收藏 174
点赞数 30
分类专栏： 深度学习相关（cs231n） 文章标签： faster RCNN yolo SSD region proposal 物体检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lanmengyiyu/article/details/79680022
版权

只要是做过物体检测（object detection）的人，都会对这三种算法比较熟悉，起码听说过。那么这三种算法各自有什么特点呢？为什么他们不能相互取代？接下来我们将慢慢分析。

在介绍具体算法之前，先来看下常用的数据集

pascal voc包含20类
其中，voc 07：9,963 张图片中包含了24,640个已标记物体
voc 12：测试数据集没有公开，在训练和验证数据集中的11540 张图片包含了27450个已标记的物体

coco在物体检测任务中包含80类(主要类别有91类)
coco2015 : 328k 张图片中大约有2.5 million个已标记的物体

faster RCNN

这个算法是一个系列，是RBG大神最初从RCNN发展而来，RCNN->fast RCNN->faster RCNN，那么简单的介绍下前两种算法。

首先RCNN，在这个算法中神经网络实际上就是一个特征提取器，作者用selective search的方法提取了一定数量（2000个）region proposal，然后对region proposal做卷积操作，将fc7这一层的特征提取出来用于分类和坐标回归，这里分类用的还不是softmax而是SVM。这个算法的贡献主要是提出了一种有效的特征利用方式，后续很多人在工程实践中都是用的fc7层的特征来做基于faster RCNN的应用。

到fast RCNN，fast RCNN将除了region proposal提取以外的部分都用一个网络来实现，与RCNN不同的是，1）他的分类和坐标回归的loss一起通过反向传播来更新网络参数；2）它在提取feature时并不会把每个region proposal都放入提取，而是将整幅图提取特征后，用坐标映射的方式提取feature，这样有两个好处a）快，因为一张图片只走一次网络；b）feature的特征受感受野的影响，能融合相邻的背景的特征，这样“看”得更远一些。

最后是faster RCNN，作者发现selective search的方法导致算法没有实时性的可能，因此，作者尝试用region proposal network来取代selective search的方法，并且与fast RCNN的分类和回归网络共用特征提取层，因此这样并不会带来太多额外的计算量，而实验结果也表明了，作者这样做确实提高的速度，并且还提高了准确率。因此，综上所述，region proposal network是faster RCNN的精华所在，也是精度高于以及速度慢于后续YOLO和SSD算法的原因。

YOLO

YOLO个人平时接触的不多，对YOLO v2也知之甚少，不敢妄言，这里简单介绍下YOLO v1

YOLO的一个贡献是将检测问题转化为了回归问题，相信这句话很多人见过很多次了。那到底是什么意思呢？指的就是之前faster RCNN是先分两步，先提取region proposal，也就是判断是前景还是背景的问题，之后再分类，具体看前景是什么东西。而YOLO直接通过regression一次既产生坐标，又产生每种类别的概率。

YOLO的特点在于快，其中一方面来源于regression机制，还有一个原因就在于region proposal的提取过程了。再YOLO中很少提region proposal的概念，但是为了类比faster RCNN我们可以这样理解，YOLO中粗暴地分成了7X7的网格，每个位置默认可能属于2个object，那么事实上就是提取了98个region proposal，而faster RCNN是一种滑动窗口机制，每个feature map上都回归出9个anchor，大约一共20k个anchor，在通过非极大值抑制等方法最终会得到300个region proposal。两者之间候选框差别巨大，因此，faster RCNN会准一点也是情理之中，而既然每个位置都要精修，当然效率就会低很多，也就不能满足实时性要求了。另外，YOLO精简了网络，比VGG要稍微计算量小一些，可能也会加快一些速度，但这些计算量比起前面提到的两点已经不足为道。

SSD

SSD有人说是faster RCNN和YOLO的结合体，是有道理的。首先说SSD的贡献，它的贡献在于它利用了多层网络特征，而不仅仅是FC7。那么为什么说它像YOLO呢，这主要是因为，SSD还是借鉴了detection转化为regression的机制，而说它像faster RCNN是因为借鉴了anchor的机制，只不过它的anchor不是每个位置的精调，是跟YOLO一样画网格，然后在网格上产生anchor，由于利用了多层特征，anchor的scale每层都不同，因此产生了较多的超参数，增加了训练难度。

所以说，三种算法在实际应用中faster RCNN鲁棒性会可能会强一些，但是鱼与熊掌不可兼得，速度也会较慢。

YOLOv5 与 Faster RCNN 的性能比较
DT程序员的博客
05-31 3392
YOLOv5 与 Faster RCNN 的性能比较介绍
深度学习目标检测：RCNN，Fast，Faster，YOLO，SSD比较
热门推荐
ikerpeng
01-10 4万+
这篇博文很简单，我就画了一个图，将各自的要点进行比较说明。相信这样看过去就一目了然了，但是需要说明的还是： YOLO可能不应该放在这里，但是为了和SSD进行比较还是放了。另外，YOLO出了第二版本了，所以放在这边也没有问题。iker Peng2017年1月10日
【深度学习】CNN简述
最新发布
qq_74225552的博客
04-03 1637
本文简要总结卷积神经网络（CNN）的结构特性与理解层面要点。结构上，典型CNN由含特定数量卷积层和池化层的卷积块堆叠，后接全连接层组成。通过局部连接、权重共享等设计，解决全连接神经网络（FNN）参数冗余和特征提取难的问题。理解层面，CNN通过多层结构从原始像素数据逐步学习不同层次特征。
ssd yolo faster rcnn 对比
01-23
目标检测算法的介绍 In recent years, Convolutional Neural Network (CNN) has been widely applied in computer vision tasks and has achieved significant improvement in image object detection. The CNN methods consume more computation as well as storage, so GPU is introduced for real-time object detection. However, due to the high power consumption of GPU, it is difficult to adopt GPU in mobile applications like automatic driving. The previous work proposes some optimizing techniques to lower the power consumption of object detection on mobile GPU or FPGA. In the first Low-Power Image Recognition Challenge (LPIRC), our system achieved the best result with mAP/Energy on mobile GPU platforms. We further research the acceleration of detection algorithms and implement two more systems for real-time detection on FPGA with higher energy efficiency. In this paper, we will introduce the object detection algorithms and summarize the optimizing techniques in three of our previous energy efficient detection systems on different hardware platforms for object detection.
YOLOv5 对决 Faster RCNN，谁赢谁输？（转载）
诗筱涵的博客
07-26 5068
摘自：https://mp.weixin.qq.com/s/fKHcKHhCmymFf0fBKbej_g 因为我i看无人机的目标检测也是用的YOLO YOLOv5 对决 Faster RCNN，谁赢谁输？ 机器学习研究组 前天 作者 | Priya Dwivedi 译者 | Sambodhi 策划 | 李冬梅 YOLOv5 在深度学习社区炒得沸沸扬扬。最近有篇 博文 是如此介绍 YOLOv5 的：它是最先进的目标检测，FPS 高达 140。这一言论，立即在 Hacker N...
物体检测算法对比：SSD与YOLO与Faster RCNN谁更优？
AI天才研究院
12-27 2185
1.背景介绍 物体检测是计算机视觉领域的一个重要研究方向，它涉及到识别图像中的物体及其位置、尺寸和形状等特征。物体检测算法广泛应用于自动驾驶、视频分析、人脸识别、医疗诊断等领域。近年来，随着深度学习技术的发展，物体检测算法也发生了巨大变化。目前，SSD(Single Shot MultiBox Detector)、YOLO(You Only Look Once)和Faster R-CNN等三种算...
几个目标检测算法的比较——yolov4,yolov4-tiny,faster-rcnn
hexiao260的博客
08-12 2万+
本文主要记录了本人在使用目标检测算法的过程中遇到的问题以及解决方法
目标检测的一些知识包括常用数据集VOC、COCO以及RCNN、Fast-RCNN、Faster-RCNN、YOLO、SSD算法
12-27
1、资源内容：目标检测的一些知识包括常用数据集VOC、COCO以及RCNN、Fast_RCNN、Faster_RCNN、YOLO、SSD算法 2、代码特点：内含运行结果，不会运行可私信，参数化编程、参数可方便更改、代码编程思路清晰、注释明细...
目标检测算法面试基础知识合集RCNN、Fast RCNN、FasterRCNN、YOLO系列、SSD、FPN、RetinaNet
weixin_43217928的博客
03-11 2449
目标检测算法R-CNN优点缺点SPP-Netpipeline优点缺点Fast R-CNNpipeline优点缺点Faster R-CNNpipeline优点缺点细节YOLOv1pipeline优点缺点细节YOLOv2pipeline优点缺点细节YOLO9000YOLOv3pipeline优点缺点细节SSD优点缺点细节 R-CNN 利用selective search提出region propos...
一个简单方便的目标检测框架，支持Faster_RCNN、Cascade_RCNN、Yolo系列、SSD等经典网络
09-05
常见的One-stage算法包括YOLO系列（YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等）、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例，YOLO将目标检测视为回归问题，将输入图像一次性划分为多个区域，直接在输出层...
# 经典目标检测识别方法概述RCNN/FAST/FASTER RCNN/MASK RCNN/SSD/DSSD/YOLO V1/YOLO V2等
weixin_43152520的博客
09-24 1452
经典目标探测识别方法概述@陈子逸 经典目标探测识别方法概述 由于水硕自学了一些目标探测的方法,这里做一个概述,肯定有不完美的地方,还请指正一起进步. 综述 1.分别简单描述一下RCNN系列: 在我看来, RCNN 是一个beachmark,首先利用传统的图像检测方法基于纹理特征用selective search 如HOG,sift来产生一些候选框,然后将这些候选框加入到卷积神经网络中进行训练和分类...
RCNN,Fast-RCNN,Faster-RCNN,YOLO,SSD的原理以及与其他算法的区别
Greenorange1的博客
04-22 691
此外，Fast R-CNN采用端到端的训练方式，将分类和回归任务整合到一个网络中，简化了训练过程。这样，Faster R-CNN实现了候选区域的生成、特征提取、分类和回归的完整流程，进一步提高了目标检测的速度和精度。SSD是一种多尺度目标检测算法。它在基础网络的基础上添加了多个不同尺度的特征图，并在每个特征图上进行卷积预测，生成边界框及其对应的类别和置信度。RCNN、Fast R-CNN、Faster R-CNN、YOLO和SSD是目标检测领域的五种重要算法，每种算法都有其独特的原理和与其他算法的区别。
目标检测总结：R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD
白菜的博客
02-18 1万+
转自：七月在线实验室。
经典物体检测框架，Faster RCNN、SSD、YOLO以及扩展
weixin_44207288的博客
03-11 1857
经典物体检测框架 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录经典物体检测框架前言一、二阶检测器Faster　RCNN根据Faster　RCNN改进的算法二、单阶检测器1.SSD根据SSD改进的算法2.YOLO总结 前言 这篇文章是我本人看完三大经典物体检测框架后的一些总结 一、二阶检测器Faster　RCNN Faster　RCNN发表与NIPS　２０１５，相比之前的RCNN，在精度和速度上都有了很大的提升，在VOC２０１２测试集上实现了７０.４％的检测结果，主要思路
yolov ssd faster-rcnn系列文章
m0_37400316的博客
05-08 144
收藏几篇讲解较好的YOLO系列文章。 参考文章; https://blog.csdn.net/g11d111/article/details/108845799 https://zhuanlan.zhihu.com/p/183781646 https://zhuanlan.zhihu.com/p/186014243 https://zhuanlan.zhihu.com/p/172121380
理解ssd yolo faster rcnn
u010451780的专栏
03-19 367
在Faster RCNN当中，一张大小为224*224的图片经过前面的5个卷积层，输出256张大小为13*13的 特征图（你也可以理解为一张13*13*256大小的特征图，256表示通道数）。接下来将其输入到RPN网络，输出可能存在目标的reign WHk个（其中WH是特征图的大小，k是anchor的个数）。 实际上，这个RPN由两部分构成：一个卷积层，一对全连接层分别输出分类结果（cls la...
Faster RCNN和SSD代码解读
jialibang的博客
09-06 215
https://blog.csdn.net/weixin_41693877/category_10154270.html
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
m0_46406029的博客
12-17 1万+
目标检测算法（R-CNN，fast R-CNN，faster R-CNN，yolo，SSD，yoloV2，yoloV3，yoloV4,yoloV5,yoloV6，yoloV7）
浅析YOLO
qq_42002714的博客
12-30 1232
YOLO是用来干嘛的 目标检测 那YOLO和R-CNN等网络有什么区别 1.YOLO训练和检测均是在一个单独网络中进行。YOLO没有显示地求取region proposal的过程。而rcnn/fast rcnn 采用分离的模块（独立于网络之外的selective search方法）求取候选框（可能会包含物体的矩形区域），训练过程因此也是分成多个模块进行。Faster rcnn使用RPN（regio...
yolov5 faster rcnn ssd对比
06-28
### 回答1： yolov5、faster rcnn和ssd都是目标检测算法，它们的主要区别在于检测速度和准确率。 yolov5是一种基于深度学习的目标检测算法，它采用了一种新的检测方法，称为YOLO（You Only Look Once），可以实现实时目标检测。相比于faster rcnn和ssd，yolov5的检测速度更快，但准确率稍低。 faster rcnn是一种基于深度学习的目标检测算法，它采用了一种叫做Region Proposal Network（RPN）的方法来生成候选框，然后再对候选框进行分类和回归。相比于yolov5和ssd，faster rcnn的准确率更高，但检测速度较慢。 ssd是一种基于深度学习的目标检测算法，它采用了一种叫做Single Shot Multibox Detector（SSD）的方法，可以在一次前向传递中同时进行目标分类和位置回归，从而实现实时目标检测。相比于yolov5和faster rcnn，ssd的检测速度更快，但准确率稍低。 综上所述，yolov5适合需要快速检测的场景，faster rcnn适合需要高准确率的场景，ssd适合需要快速检测且准确率要求不高的场景。 ### 回答2： YOLOv5、Faster RCNN和SSD都是目标检测算法，它们各有优缺点。下面，我们将分别介绍它们的特点及比较。 YOLOv5 YOLOv5是目前YOLO系列中效果最佳的一个版本。它通过模型深度的加强、精度的提升以及前后处理模块的优化，使得在速度上相对于之前的版本取得了很大的提升。 优点：YOLOv5 对于不同尺寸和不同类别的物体都具有很好的识别能力，而且在速度上非常快，能够实现实时检测。 缺点：YOLOv5 在小物体的检测上存在一些问题，因为它的网络结构较为简单。此外，对于小目标YOLOv5的检测误差会更大。 Faster RCNN Faster RCNN是一种多阶段的检测算法。相较于YOLOv5，Faster RCNN在识别方面相对更加准确，但速度较慢。 优点：在目标检测上，Faster RCNN 的准确度要比YOLOv5 更好，并且在小目标检查上能够表现出更高的精度。此外，在训练过程中，能够较好地对图像进行特征提取，从而提高精度。 缺点：Faster RCNN 的速度比YOLOv5 慢，不适用于实时监测应用。 SSD SSD是一种单阶段的目标检测算法，与YOLOv5 相近。它通过特征提取、尺度变换和卷积处理三个步骤，快速捕捉出目标的位置。 优点：在速度方面，SSD 与YOLOv5 类似，都具有较快的检测速度，并且对于尺寸较小的目标能够进行较为准确的识别。 缺点：对于尺寸较大的目标，SSD 的精度要略低于Faster RCNN，准确度不如其它两者。 综合来说，YOLOv5 适合于对速度有较高要求，但精度不要求过高的场景；Faster RCNN 适用于对精度有较高要求，但速度不要求过快的场景；SSD 适合对速度有一定要求，对精度要求不是那么高的场景。在实际应用中，需要根据目标检测的要求来选择合适的算法来完成任务。 ### 回答3： YOLOv5、Faster R-CNN和SSD都是目标检测的重要算法，它们各有千秋，下面将分别从速度、精确度、鲁棒性等方面进行对比。 首先从速度方面分析，通常来说，YOLOv5的速度要优于其他两种算法，因为它只需要一次前向传播就可以完成目标检测任务。而Faster R-CNN和SSD需要多层卷积过程，需要多次前向传播，所以速度不如YOLOv5。但是在实际应用中，还需要考虑模型的存储和计算量，不能只看前向传播速度。从这个角度来看，SSD由于模型较小，在低功耗设备上运行速度较快。 其次，从精确度方面分析，三个算法的精确度都不错，但因为它们的设计思路不同，所以精确度略有不同。Faster R-CNN和SSD在小目标检测方面表现较好，而YOLOv5在大目标检测方面表现更优秀，并且YOLOv5在基于预训练模型的迁移学习方面效果更为出色。 最后，鲁棒性方面的对比，通常来说，YOLOv5比SSD和Faster R-CNN更鲁棒，因为YOLOv5是用完全卷积网络完成检测任务，可以自适应不同大小的输入图像以及场景中不同的各种目标。而Faster R-CNN和SSD为了提高精确度，需要更多的先验知识和设计，所以对于某些不同或极端的场景，检测效果可能会降低。 综上所述，YOLOv5、Faster R-CNN和SSD各有千秋，在实际应用场景中选用需要根据具体情况进行综合考虑，根据场景的不同选择合适的算法是非常重要的。
评论 8
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值