Ⅰ 目標檢測中SSD為什麼比YOLO還要快
SSD相當於YOLO + RPN的anchor + multi-scale的prediction。拋開網路結構來比較運行時間就是耍流氓，SSD用的是VGG16（但去掉了fc層加速）而YOLO普通版有24個卷積層。文章里的實驗也說了，SSD的速度並沒有Fast YOLO快。
Ⅱ 目標檢測SSD相對於YOLO與faster-RCNN做了哪些改進效果如何
Windows Vista/7/8系統自帶AHCI驅動，裝完系統後直接安裝AMD Chipset Driver即可。該驅動程序與AMD顯卡驅動程序版本同步。
Ⅲ 目標有測評的功能嗎
主流的目標檢測演算法主要是基於深度學習模型，其可以分成兩大類：（1）two-stage檢測演算法，其將檢測問題劃分為兩個階段，首先產生候選區域（region proposals），然後對候選區域分類（一般還需要對位置精修），這類演算法的典型代表是基於region proposal的R-CNN系演算法，如R-CNN，Fast R-CNN，Faster R-CNN等；（2）one-stage檢測演算法，其不需要region proposal階段，直接產生物體的類別概率和位置坐標值，比較典型的演算法如YOLO和SSD。目標檢測模型的主要性能指標是檢測准確度和速度，對於准確度，目標檢測要考慮物體的定位準確性，而不單單是分類准確度。一般情況下，two-stage演算法在准確度上有優勢，而one-stage演算法在速度上有優勢。不過，隨著研究的發展，兩類演算法都在兩個方面做改進。Google在2017年開源了TensorFlow Object Detection API，並對主流的Faster R-CNN，R-FCN及SSD三個演算法在MS COCO數據集上的性能做了細致對比，如下圖所示。近期，Facebook的FAIR也開源了基於Caffe2的目標檢測平台Detectron，其實現了最新的Mask R-CNN，RetinaNet等檢測演算法，並且給出了這些演算法的Baseline Results 。不得不說，准確度（accuracy）和速度（speed）是一對矛盾體，如何更好地平衡它們一直是目標檢測演算法研究的一個重要方向。
目標檢測問題同時是一個回歸和分類問題。首先，為了評估定位精度，需要計算IoU（Intersection over Union，介於0到1之間），其表示預測框與真實框（ground-truth box）之間的重疊程度。IoU越高，預測框的位置越准確。因而，在評估預測框時，通常會設置一個IoU閾值（如0.5），只有當預測框與真實框的IoU值大於這個閾值時，該預測框才被認定為真陽性（True Positive, TP），反之就是假陽性（False Positive，FP）。
對於二分類，AP（Average Precision）是一個重要的指標，這是信息檢索中的一個概念，基於precision-recall曲線計算出來。對於目標檢測，首先要單獨計算各個類別的AP值，這是評估檢測效果的重要指標。取各個類別的AP的平均值，就得到一個綜合指標mAP（Mean Average Precision），mAP指標可以避免某些類別比較極端化而弱化其它類別的性能這個問題。
對於目標檢測，mAP一般在某個固定的IoU上計算，但是不同的IoU值會改變TP和FP的比例，從而造成mAP的差異。COCO數據集提供了官方的評估指標，它的AP是計算一系列IoU下AP的平均值，這樣可以消除IoU導致的AP波動。其實對於PASCAL VOC數據集也是這樣，Facebook的Detectron上的有比較清晰的實現。
除了檢測准確度，目標檢測演算法的另外一個重要性能指標是速度，只有速度快，才能實現實時檢測，這對一些應用場景極其重要。評估速度的常用指標是每秒幀率（Frame Per Second，FPS），即每秒內可以處理的圖片數量。當然要對比FPS，你需要在同一硬體上進行。另外也可以使用處理一張圖片所需時間來評估檢測速度，時間越短，速度越快。
Ⅳ 目標檢測SSD相對於YOLO與faster-RCNN做了哪些改進效果如何
JayTsengFaster-R-CNN編譯使用及相應問題解決1.首先opencv是需要安裝的，我用的ubuntu14.04，opencv3.0，具體安裝教程可以參考網上很多，不想多提。2.安裝幾個依賴包：cython，python-opencv和easydict，直接用sudoapt-get安裝，網上很多用pip安裝，bug比較多。3.從github上clone項目文件，注意：一定要在clone時加入--recursive參數，不然會很麻煩，也不要直接下載：gitclone--recursive/rbgirshick/py-faster-rcnn.git4.Cython模塊的編譯cdpy-faster-rcnn/libmake5.編譯caffe-fast-rcnncd..cdcaffe-fast-rcnn修改這個目錄下的Makefile.config（如果沒有這個文件，就直接cpMakefile.config.exampleMakefile.config)將CPU_ONLY：=1開關和WITH_PYTHON_LAYER開關打開：然後在該目錄下執行：make–j8&&makepycaffe注意：之前因為我沒有在這個目錄下面執行makepycaffe，因此在執行第6步報了如下錯誤：ImportError:/home/prlab/py-faster-rcnn/tools/../caffe-fast-rcnn/python/caffe/../../build/lib/libcaffe.so.1.0.0-rc3:undefinedsymbol:_所以提醒大家少走坑。6.運行demo.py在環境一切就緒的情況下，將faster的模型下載下來：在py-faster-rcnn/data/scripts目錄下，執行./fetch_faster_rcnn_models.sh將數據下載，可能需要一定時間，慢慢等吧～～～下載完成之後在py-faster-rcnn/tools目錄下運行：./demo.py大功告成！！！
Ⅳ 想請教python編程深度學習方面的大神SSD目標檢測方面問題
vgg:老物，光芒被googlenet給掩蓋了，真正的優點是 a.feature-map不變則conv-kenel-width這些不變b.用一次pooling,width提升一倍；
resnet:主流網路，在vgg基礎上提升了長度，而且加入了res-block結構,還有resnext,也可以嘗試下。
相幫幫不上啦。。。我也不太會，原來用過resnet 真不會轉換。。。sorry
Ⅵ 目標檢測SSD相對於YOLO與faster-RCNN做了哪些改進效果如何
但是由於運行selective—search實在是太慢，希望用更快的方法。
逗直接上YOLO唄可以參考博文：物體檢測-從RCNN到YOLO參考列表中地YouOnlyLo好Once逗一項，包括YOLO的論文、視頻、源碼、使用方式。
Ⅶ 目標檢測SSD相對於YOLO與faster-RCNN做了哪些改進效果如何
Faster RCNN用了整合了之前的RCNN啊，SPP-net啊，Fast RCNN啊這些網路的region proposal方式，提出了RPN，所謂RPN就是根據圖像自身的色彩以及邊緣信息等等來生成region proposal的一個網路，因此實現了end-to-end，但還是慢
YOLO就是把原圖劃成7x7的小格子，在每個格子里對目標進行預測，相當於固定了region proposal的位置和大小，所以沒有了RPN，加快了速度，但是准確率下去了
SSD用了YOLO的思想，但是選了6個比例來對原圖進行劃分，這樣就保證了大物體有大格子學，小物體有小格子學，不像YOLO只有一種大小的格子，准確率也提高了（相對於YOLO），速度也上去了（相對於Faster，SSD也沒有RPN步驟）
Ⅷ 為什麼SSD對小目標的檢測效果不好
全這樣，4k文件很零碎的，不能整體讀取要一個一個的讀取，如果這些文件的讀寫速度快了。那麼容量的文件的速度就太驚人了。