YOLOv1

缺点

  • 对小目标检测效果不好
  • 提取的region太少了，7*7*2
  • 坐标定位不准确

YOLOv2 - Better,Faster,Stronger

Better

  • Batch Normalization
  • 引入 Anchor Box 来预测Bouding box
  • 维度聚类，使用K-means聚类bounding box，可以找到更好地box宽高

Faster

  • 借鉴VGG,NIN思想，多次使用1*1和3*3等较小的卷积核以及使用全局平均池化，设计出darknet-19模型，大大节约计算量

Stronger

  • COCO数据集少，ImageNet数据集多，使用wordtree结合了两个数据集的标签，使得能够检测9000多种目标

YOLOv3

改进

  • 特征提取器，设计Darknet-53，融合了darknet-19和残差网络等，更高效地提取特征
  • 使用了多尺度预测，类似于 FPN(Feature Pyramid Network-特征金字塔网络)，三层不同scale的特征一起做bbox regression
  • 分类预测使用二元交叉熵损失，边界框bbox regression 使用 平方和距离误差损失