YOLO和SSD的区别

这里有两种类型的深度神经网络。基础网络和检测网络。SSD、RCNN、Faster RCNN 等都是检测网络的示例。

所有 YOLO 网络都在 Darknet 中执行，这是一个用 C 语言编写的开源 ANN 库。

两种架构的主要区别在于 YOLO 架构使用 2 个全连接层，而 SSD 网络使用不同大小的卷积层。

优洛

它仅对图像的外观起作用，以观察多个对象。因此，它被称为 YOLO，你只是 Look Once。通过简单地注视图像一次，检测速度为周期（45 fps）。 Quick YOLOv1 达到 155 FPS。这通常是另一种渐进式深度学习对象检测方法，已在 2016 年 CVPR 上发表，被引用了 2000 次。 Yolo 将图像划分为一个网格。对于每个网格，都会计算一些值，例如类概率和边界框参数。

与快速 R-CNN 相比，YOLO 难以正确定位对象。YOLO 的背景错误更少。 quick R-CNN 有 13.6% 的最高检测平方测量误报。

由于 YOLO 和 quick R-CNN 各有优劣，它们将结合起来以获得更高的准确性。艺术品和自然图片在每个级别上完全不同，但它们在对象的尺寸和形式方面相似，因此 YOLO 仍将预测智能边界框和检测。

固态硬盘

通过受害 SSD，我们往往只需要单次拍摄即可看到图像中的多个对象，而区域提议网络 (RPN) 主要基于 R-CNN 系列的方法需要 2 次拍摄，其中一张用于生成区域提议，一个用于警察工作的每个提案的文章。因此，与基于两次 RPN 的方法相比，SSD 的速度要快得多。 SSD 不仅使用一个网格，还使用不同尺寸的组合来更好地检测任何尺寸的物体。

SSD，一个多类的单次检测器，比以前的单次检测器（YOLO）更快，并且相当多正确，实际上与执行快速区域提议和池化的较慢技术一样正确（包括更快的 R-美国有线电视新闻网）。

SSD与YOLO的区别

SSD	YOLO
Single Shot Detector	You Only Look Once
runs a convolutional network on input images at just one time and computes a feature map.	the open-source technique of object detection which will acknowledge objects in pictures and videos fleetly
SSD could be a higher choice as we have a tendency to square measure able to run it on a video and therefore the truth trade-off is extremely modest.	YOLO is a better option when  exactness is not too much of disquiet but you want to go super quick
When the object size is tiny, the performance dips a touch	YOLO could be a higher choice even when the object size is small.
runs a convolutional network on input image just one time and computes a feature map	can be enforced for applications as well as artificial intelligence, self-driving cars, and cancer recognition approaches.

什么更好？

SSD，一个多类的单次检测器，比以前的单次检测器（YOLO）更快，并且相当多正确，实际上与执行快速区域提议和池化的较慢技术一样正确（包括更快的 R-美国有线电视新闻网）