深度学习经典检测算法--单阶段、两阶段区别

 需要做一个检测任务

有的算法是分两个阶段的，有的算法是只有一个阶段

---

• 让我们先来看看单阶段的算法

 现在我们需要做一个猫咪的物体检测，输入一张图像有猫，输出的图像猫身上带了一个框

这个结果，框，我们只需要得到框的四个顶点坐标就可以实现

这就是一个很普通的回归任务

单阶段，一个CNN网络直接做回归，不需要加入其它补充。

经典算法：

YOLOhttps://baijiahao.baidu.com/s?id=1664853943386329436&wfr=spider&for=pc

---

 

• 两阶段的算法

• 

 输入一张猫咪图像，检测结果是猫咪身上带框的图像

检测结果没有变

但是在检测过程中加入了一些步骤。

加入了一个RPN 区域候选网络

什么是RPNhttps://blog.csdn.net/fenglepeng/article/details/117898968

 为了得到最终的结果，在过程中，先进行了一步预选，预选之后，再通过预选结果得到最终结果

对比单阶段来说，双阶段是不是过程更加复杂了呢，

复杂带来的收益，双阶段最终结果会比单阶段直接选择的结果更加准确。

经典算法：

Faster-RCNNhttps://blog.csdn.net/weixin_42310154/article/details/119889682

Mask-RCNN  https://blog.csdn.net/remanented/article/details/79564045

那么单阶段和两阶段算法，怎么选择的问题，是需要根据任务精度以及速度要求来决定的。

---

• 优缺点对比 

• 单阶段
• 
• 最核心优点：速度非常快
• 速度快带来的应用，基于视频去检测时，速度快，所能带来的FPS值更高，能做实时检测
• 相对Mask-RCNN ，只有5帧，在所实时任务存在困难。
• YOLO的FPS最高能达到200
• 
• mAP值简单来说就是综合衡量算法效果的一个指标

•  mAP值是什么https://blog.csdn.net/bestrivern/article/details/98482493

  ---

• 两阶段算法 

• 

 

---

 

•  IOU值

• Intersection over Union
• 交集和并集的比值
• 什么是IOUhttps://zhuanlan.zhihu.com/p/357513378

 

交集： 

并集; 

• 精度（precision）和召回率（recall）指标

• 召回率又名查全率
• 

TP做对了的判断，正确的判断成正例

FP做错了的判断，错误的判断成正例

FN错误的判断成负例

TN正确的判断成负例 

---

• 置信度

• 

 

•  PR图

 mAP值，下方所围成的面积