一、SSD

骨干网络

VGG-16

创新与优势

(1)多度特征图提取；

(2)卷积特征检测：

(3)设置预选框；

(4)检测速度快、精度较高。

局限与不足

1）模型难收敛；

2）小目标/多目标检测效果差；

3) 人工设置预选框参数，经验依赖程度较高。

二、YOLOV3

骨干网络

DarkNet-53

创新与优势

1）多尺度特征图提取，弥补了Y0L0系列过直对小目标检测效果差的缺陷；

2) 使用精度更高的分类网络（DarkNet-53）

3)使用Logistic分类方法；

4)检测速度快、精度较高。

局限与不足

大尺寸目标的检测效果差

三、CornerNet

骨干网络

Hourglass104

创新与优势

(1) 采用角点的方式进选框方式，开创了anchor-free的先河；

(2) 解决锚框检测的样本不均衡和超参数问题；

(3) 检测速度快

(4) 检测精度高。

局限与不足

(1)小目标/多目标检测精度差；

(2) 没有考虑边界框的内部信息。

四、CenterNet

骨干网络

Hourglass-104

创新与优势

(1)关键点橙测算法无锚框；

(2)使用级联角点池化和中心池化；

(3)检测速度快：

(4)检测精度高。

局限与不足

1)模型计算量大

2)小目标/多目标标检测精度差。

五、EfficientDet

骨干网络

EfficientNet

创新与优势

(1)提出了一种加权的双向特征金字塔网络，它允许简单和快速的多尺度特征融合：

(2)提出了一种复合缩放方法，可以同时统一缩放所有主干、特征网络和bbx/类预测网络的分辨率、深度和宽度。

局限与不足

检测速度有待提升

六、YOLOv4

骨干网络

CSPDarknet53

创新与优势

(1)提出Mosaic和自对抗训练数据增强法；

(2)提出了修改版本的SAM和PAN,跨Batch的批归一化；

(3)在模型检测精度和检测速度的trade-off访面达到了当前最优

局限与不足

检测精度待进一步提高

七、YOLOv5

骨干网络

创新与优势

1）使用Pytorch框架，对用户非常友好，能够方便地训练自己的数据集；

2）能够直接对单个图像，批处理图像，视频甚至网络摄像头端口输入进行有效推理；

3）YOLO V5s高达140FPS的对象识别速度令人印象非常深刻，使用体验非常棒；

4）灵活性好，速度快，在模型的快速部署上具有极强优势。

局限与不足：

性能有待进一步提高

八、应用场景

目标检测不管是在我们的日常生活领域、交通领域、工商业领域还是医学领域中都有着广大的应用需求与前景。例如：

AI图像语义分割