Hay dos tipos de redes neuronales profundas aquí. Red base y red de detección. SSD, RCNN, Faster RCNN, etc. son ejemplos de redes de detección.
Todas las redes YOLO se ejecutan en Darknet, que es una biblioteca ANN de código abierto escrita en C.
La diferencia clave entre las dos arquitecturas es que la arquitectura YOLO utiliza 2 capas completamente conectadas, mientras que la red SSD usa capas convolucionales de diferentes tamaños.
yolo
Funciona únicamente en la apariencia de la imagen una vez para ver múltiples objetos. Por lo tanto, se conoce como YOLO, simplemente mira una vez. Simplemente mirando la imagen una vez, la velocidad de detección está en período (45 fps). Quick YOLOv1 alcanza ciento cincuenta y cinco FPS. este suele ser otro enfoque progresivo de detección de objetos de aprendizaje profundo que se publicó en el CVPR de 2016 con más de 2000 citas. Yolo divide la imagen en una cuadrícula. Para cada cuadrícula, se calculan algunos valores como las probabilidades de clase y los parámetros del cuadro delimitador.
YOLO tiene dificultades para localizar los objetos correctamente en comparación con el rápido R-CNN. YOLO tiene menos errores de fondo. rápido R-CNN tiene trece,6% que el cuadrado más alto de detecciones mide falsos positivos.
Como YOLO y Quick R-CNN tienen sus ejecutivos y contras, se combinarán para tener una mayor precisión. Las obras de arte y las imágenes naturales miden terriblemente diferentes por nivel, pero son similares en términos de tamaño y forma de los objetos, por lo que YOLO seguirá prediciendo detecciones y cuadros delimitadores inteligentes.
SSD
Por SSD de victimización, solo tenemos que estar obligados a tomar una sola toma para ver múltiples objetos dentro de la imagen, mientras que los enfoques basados en la red de propuesta regional (RPN) como la serie R-CNN necesitan dos tomas, una para generar propuestas de región, uno para el trabajo policial el artículo de cada propuesta. Por lo tanto, SSD es mucho más rápido en comparación con los enfoques basados en RPN de dos disparos. SSD no solo usa una cuadrícula, sino una combinación de diferentes tamaños para detectar mejor objetos de cualquier tamaño.
SSD, un detector de un solo disparo para clases múltiples que es más rápido que el anterior progresivo para detectores de un solo disparo (YOLO), y considerablemente más técnicas correctas, tan correctas como más lentas que realizan propuestas de regiones rápidas y agrupaciones (incluido R- más rápido). CNN).
Diferencia entre SSD y YOLO
| SSD | yolo |
| Detector de disparo único | Solo miras una vez |
| ejecuta una red convolucional en imágenes de entrada al mismo tiempo y calcula un mapa de características. | la técnica de código abierto de detección de objetos que reconocerá objetos en imágenes y videos rápidamente |
| SSD podría ser una mejor opción ya que tenemos una tendencia a medir cuadrados para poder ejecutarlo en un video y, por lo tanto, la compensación real es extremadamente modesta. | YOLO es una mejor opción cuando la exactitud no es demasiado inquieta pero quieres ir súper rápido. |
| Cuando el tamaño del objeto es pequeño, el rendimiento baja un poco | YOLO podría ser una mejor opción incluso cuando el tamaño del objeto es pequeño. |
| ejecuta una red convolucional en la imagen de entrada solo una vez y calcula un mapa de características | se puede hacer cumplir para las aplicaciones, así como para la inteligencia artificial, los automóviles autónomos y los enfoques de reconocimiento del cáncer. |
¿Que es mejor?
SSD, un detector de un solo disparo para clases múltiples que es más rápido que el anterior progresivo para detectores de un solo disparo (YOLO), y considerablemente más técnicas correctas, tan correctas como más lentas que realizan propuestas de regiones rápidas y agrupaciones (incluido R- más rápido). CNN)