yolov3为什么对大目标检测不好_YOLOv3多类多目标检测

yolov3在目标追踪方面是借鉴了其它算法的优点形成的，既加快了运算时间又提高了识别的精度。单类多目标的有MTCNN，多类多目标的有RCNN系列和YOLO系列。

RCNN系列：RCNN通过像素聚类建议框，svm支持向量机的方法去检测，测试的时候运行时间太慢。fast--Rcnn在得到的特征图上面去画建议框，每个特征点都去运算一遍，没有使用nms，iou所以运行时间也很慢，但是比RCNN快了很多。然后是faster--RCNN多训练了一个置信度的网络，精确度很高，运算时间也快。

YOLO系列：YOLOv1传入固定大小的224*224的图片输出的是全连接，将图片划分成7  *  7的大小网络，认为的在有目标对象中心点的网格画2中建议框，因此检测的准确率不高。YOLOv2传入固定大小的416*416的图片，采用了9种建议框，网络使用的是darknet19，如果两个类别的中心点都在同一个格子里，只能挑选出置信度最大的那一个类别，因此不能够解决两个物体的中心点都在一个格子里面的情况。yolov3就相对于yolov1,yolov2改进了很多，针对大中小的物体分别给出了大中小的3类建议框每类3个建议框，网络也输出3种特征图，分别是13*13的用于检测大物体的，26*26的用于检测中等物体的，52*52的用于检测小物体的，并且对每种输出都设置了专有卷积来提高运算的精度，因为只去检测置信度较大的框，所以运算时间也比较快。在yolov1和yolov2之间还出现过ssd，yolov3就是借鉴了ssd的针对不同目标大小，输出不同大小的3类特征图，对小目标也能够友好的检测。