yolo v1 存在的问题：
1.由于输出层为全连接层，因此在检测时，YOLO 训练模型只支持与训练图像相同的输入分辨率。fast rcnn就不存在。
2.虽然每个格子可以预测 B 个 bounding box，但是最终只选择只选择 IOU 最高的 bounding box 作为物体检测输出，即每个格子最多只预测出一个物体。当物体占画面比例较小，如图像中包含畜群或鸟群时，每个格子包含多个物体，但却只能检测出其中一个。这是 YOLO 方法的一个缺陷。
3.由于它要跟实际标注的真实框做对比才能进一步学习，所以YOLO 方法模型训练依赖于物体识别标注数据，因此，对于非常规的物体形状或比例，YOLO 的检测效果并不理想。
4.YOLO 采用了多个下采样层，网络学到的物体特征并不精细，因此也会影响检测效果。
5..YOLO 的损失函数中，大物体 IOU 误差和小物体 IOU 误差对网络训练中 loss 贡献值接近（虽然采用求平方根方式，但没有根本解决问题）。因此，对于小物体，小的 IOU 误差也会对网络优化过程造成很大的影响，从而降低了物体检测的定位准确性。
（缺点的细节，https://blog.csdn.net/guleileo/article/details/80581858里有指出，可以细看）
from：https://www.jianshu.com/p/731c906b8d37
网友评论