YOLO演算法(三)—— Yolov3 & Yolo系列網路優缺點

 yolov3改進了yolov1和v2的缺點，是速度和精度最均衡的目標檢測網路，重點解決了小物體檢測的問題

 

Yolov3改進策略

①更好的主幹網路（類ResNet）

②多尺度預測（類FPN）

• 聚類來得到Bbox的先驗，選擇9個簇以及3個尺度
• 將這9個簇均勻的分佈在這3個尺度上

③更好的分類器

binary cross-entropy loss

• Softmax不適用於多標籤分類
• Softmax可被獨立的多個logistic分類器替代，且準確率不會下降

 

Darknet框架

Yolov3的原始碼是採用darknet框架來完成的

注意區分這個darknet框架和yolov3的darknet-19網路

• 由C語言和CUDA實現GPU視訊記憶體利用效率較高
• 第三方庫的依賴較少
• 容易移植到其它平臺，如Windows或嵌入式裝置
• Yolo主頁：https://pireddie.com/darknet/yolo/

 

Yolo系列網路優缺點

優點

• 快速，pipline簡單
• 背景誤檢率低
• 通用性強

但相比RCNN系列物體檢測方法，YOLO具有以下缺點：

• 識別物體位置精準性差
• 召回率低