目標檢測 | YOLO系列超全講解v1，v2，v3

資料匯總選自
B站大佬：霹靂吧啦Wz
csdn大佬：AI菌 和 AI小白一枚 和 小小將 和 木卯_THU
注：本文為學習記錄筆記，以學習積累為主，如表述錯誤或侵權，煩請提示指出；如有不能理解的部分，可以前往以上博主的文章中查看更詳細的說明講解，

前言

從Two Stage到One Stage：

Two stage（先選取候選框，再進行回歸調整候選框和分類）：RCNN，SPP-Net，Fast-RCNN，Faster-RCNN，Mask-RCNN等
One stage（直接回歸調整候選框及分類）：SSD，YOLO系列，RetinaNet，RefineDet等

• 有關RCNN系列的詳細程序，可查看《目標檢測 | RCNN演算法系列匯總+詳解(包括Fast, Faster)》
• YOLO官網：作者Joseph Redmon的個人網站
• YOLOv1論文地址：https://arxiv.org/abs/1506.02640
• YOLOv2論文地址：https://pjreddie.com/darknet/yolo/
• YOLOv3論文地址：https://arxiv.org/pdf/1804.02767
• YOLOv4論文地址：https://arxiv.org/abs/2004.10934
• YOLOv5的Github原始碼：https://github.com/ultralytics/yolov5

一、YOLOv1

2016年，Joseph Redmon等人提出了一種單階段（one-stage）的目標檢測網路，在 PASCAL VOC2007 的測驗集上達到了 63.4 mAP，在 448 × 448 的輸入影像上的二推理能達到 45 FPS，作者將其取名為：You Only Look Once，

• 利用整張圖作為網路的輸入，直接在輸出層回歸bounding box的位置和bounding box所屬的類別
• 雖然Faster RCNN中也直接用整張圖作為輸入，但是Faster-RCNN整體還是采用了RCNN那種 proposal+classifier的思想，而YOLOv1直接回歸，

1. 網路結構

符合一階段的卷積神經網路，由整張圖片直接到檢測目標位置和概率值，網路結構圖中沒有標s意味著默認步距stride為1，

• 網路輸入：448×448×3的彩色圖片，
• 中間層：由若干卷積層和最大池化層組成，用于提取圖片的抽象特征，
• 全連接層：由兩個全連接層組成，用來預測目標的位置和類別概率值，
• 網路輸出：7×7×30的預測結果，

2. 實作方法

在YOLOv1中，它將整張圖片輸入后平均分為S×S個網格（grid cell），當某個目標的中心落在這個網格中，那么這個網格就負責預測它，對于Faster-RCNN需要訓練一個RPN網路獲得目標候選框區域，然后再映射到特征圖上得到特征矩陣，這消耗了大量時間空間，

具體步驟：

1. 輸入影像分為S×S個網格，如果某個object的中心落在這個網格中，則這個網格就負責預測這個object
2. 每個網格要預測 B 個bounding box，每個 bounding box 除了要回歸自身的位置和一個值，即 (x, y, w, h) 和 confidence 共5個值，
3. 每個網格還要預測一個類別資訊，記為C類，則SxS個網格，每個網格要預測B個bounding box還要預測C個categories，總的輸出就是S × S × (5×B+C)的張量，如下圖輸出結果的網路結構所示，
   

實際操作：

在YOLOv1的CVPR 2016論文中，圖片輸入為448×448的像素，S圖片劃分網格量=7，B每個網格預測邊框量=2，C類別個數=20，于是，網格輸出=7×7×（5×2+20）

在test的時候，每個網格預測的class資訊和bounding box預測的confidence資訊相乘，根據上一步可以預測出S×S×B個目標視窗，然后根據閾值去除可能性比較低的目標視窗，最后用NMS非極大值抑制去除冗余視窗即可得到最終的檢測結果，

該運算式含義：
等式左邊第一項就是每個網格預測的類別資訊
第二三項就是每個bounding box預測的confidence，代表了所預測的box中含有object的置信度和這個box預測準確率；其中，第二項表示如果有object落在一個grid cell里，則第一項取1，否則取0；第三項是預測的bounding box和實際的groundtruth之間的IoU值，
整體上，這個乘積即encode了預測的box屬于某一類的概率，也有該box準確度的資訊

3. 損失函式

YOLOv1損失分為三類，1.目標 bounding box坐標預測的損失，2. confidence置信度預測的損失，3.classes分類預測的損失，原論文中都是使用sum-squared error loss誤差平方和進行計算，

3.1 bounding box坐標檢測損失

對于x和y的向量都是用預測值減去真實標簽值的平方就是誤差平方和；對于w和h，先進行開根處理，再做誤差平方，這樣可以提升小目標的損失，消除大尺寸框和小尺寸框之間的差異，

開根處理原因：
下圖右側為兩個目標bbox候選框，當平移相同的寬和高后，對于小目標的IoU是明顯小于大目標的IoU的，所以不適合于IoU與x的線性關系（即類似x和y的處理），于是下圖左側的根號下的關系能夠滿足小目標IoU小，大目標IoU大的特征，

3.2 confidence和classes的損失

confidence分為含有object和不含object的損失，即正樣本和負樣本，在正樣本中，真實值為1；負樣本真實值為0，于是，confidence 損失需要計算正負樣本，而 bounding box 以及 class 損失都只計算正樣本的，正樣本的 confidence 真實值應該為預測框與真實物體框的 IoU 數值；負樣本的 confidence 真實值應該為 0，

3.3 處理目標不均衡

目標檢測問題是一個典型的類別數目不均衡的問題，在7×7的grid cell格點中，含有物體的格點一般比較少，所以需要讓含有物體的格點在損失函式中的權重更大，讓模型更加重視含有物體的格點所造成的損失，于是在bbox坐標誤差損失中代入λ_coord取值5；對于不含目標的置信度預測損失代入λ_noobj=0.5，

4. 缺點

1. 對群體性的相互靠近的小目標檢測效果差，由于YOLOv1對于每個grid cell值設定預測兩個bounding box，且設定的classes類別相同，所以當群體目標聚集在一起時，檢測會出現問題，
2. 當目標比例出現不一致時，即新的長寬比，預測能力很差，
3. 主要的錯誤都是定位不準確，由于直接預測坐標資訊，對不常見的目標泛華能力差，

二、YOLOv2

YOLOv2作者命名為（Better, Faster, Stronger），基于YOLOv1的不足，提出了很多改進方法，主要是保持檢測速度，改善recall，提升定位的準確度，同時保持分類的準確性，

1. 網路結構

YOLOv2使用Global Average Pooling，使用Batch Normilazation來讓訓練更穩定，加速收斂，使model規范化，v2采用 Darknet-19(有19個卷積層和5個maxpooling層)作為特征提取網路，即backbone，Darknet-19整體結構如下：

Darknet-19 與 YOLOv1、VGG16網路對比：

VGG-16： 大多數檢測網路框架都是以VGG-16作為基礎特征提取器，它功能強大，準確率高，但是計算復雜度較大，所以速度會相對較慢，因此YOLOv2的網路結構將從這方面進行改進，
YOLOv1： 基于GoogLeNet的自定義網路（具體看上周報告），比VGG-16的速度快，但是精度稍不如VGG-16，
Darknet-19： 速度方面，處理一張圖片僅需要55.8億次運算，相比于VGG306.9億次，速度快了近6倍，精度方面，在ImageNet上的測驗精度為：top1準確率為72.9%，top5準確率為91.2%，

YOLOv2模型框架如下：

• Convolutional卷積層(右上側)由conv2d+BN+LeakyReLU組成；
• 基于Darknet19，移除了最后的卷積層，保留卷積大小3×3卷積核為1024的卷積層(輸出13x13x1024)；
• 添加三個3×3的1024卷積核的卷積層；
• 最后輸出了一個1×1的Predictor卷積層，輸出的個數為我們的檢測，
• 并且在最后一個3x3x512層添加了一個Pass Through Layer，使得連接在最后一個卷積層之前做了特征融合，
  

更多具體的訓練程序，跳轉《目標檢測|YOLOv2原理與實作(附YOLOv3)》以及《深度學習之目標檢測（七）–YOLO v2理論介紹》

2. 改進方法

2.1 Batch Normalization

簡稱BN層，即批量標準化，在每一層卷積后，都增加了批量標準化（Batch Normalization）進行預處理，
BN層能夠對資料進行預處理，完成影像均衡化，解決反向傳播的梯度消失/爆炸，去噪等功能，提升訓練速度，并且起到一些正則化效果，達到了 2% mAP 的提升，可以移除 Dropout 層，
使用Batch Normalization對網路進行優化，讓網路提高了收斂性，同時還消除了對其他形式的正則化（regularization）的依賴，

關于Batch Normalization的更多資料，可以閱讀《Batch Normalization原理與實戰》 以及 《深度學習筆記（三）：BatchNorm（BN）層》

2.2 High resolution classifier

YOLOv1使用ImageNet的影像分類樣本采用 224×224 作為輸入，來訓練CNN卷積層，然后在訓練目標檢測時，檢測用的影像樣本采用更高解析度的 448×448 像素影像作為輸入，但這樣不一致的輸入解析度肯定會對模型性能有一定影響，

而YOLOv2采用更高解析度的分類器，在采用 224224 影像進行分類模型預訓練后，再采用 448448 高解析度樣本對分類模型進行微調（10個epoch），帶來了4%的mAP提升，

2.3 Convolution with anchor boxes

在YOLOv1中，作者通過全連接層直接預測邊界框的位置并且做回歸；而在Faster RCNN演算法只用卷積層與Region Proposal Network來預測Anchor Box的偏移值與置信度，而不是直接預測坐標值，于是，通過預測偏移量而不是坐標值能夠簡化問題，讓神經網路學習起來更容易，對于卷積層有以下變化：

• 為了使檢測所用的特征圖解析度更高，移除其中的一個 pool 層，
• 借鑒Faster RCNN的做法，YOLOv2 移除了 YOLOv1 中的全連接層直接預測，而采用了卷積和 anchor boxes 來確定邊界框，
• 在檢測模型中，保證特征圖有奇數個位置，即YOLOv2 不是采用 448×448大小的圖片輸入，而是采用416×416大小，由于YOLOv2下采樣的步長為32，對于416×416大小，通過5個pooling后最終的特征圖大小為13×13，其特征圖的只有一個center cell中心位置，
• YOLOv2 使用了 Anchor boxes 之后，每個位置的各個 anchor box 都單獨預測一套分類概率值，這和 SSD 比較類似（但 SSD 沒有預測置信度，而是把 background 作為一個類別來處理），YOLOv1 只能預測 7 × 7 × 2 = 98 個 bounding box，而 YOLOv2 則使用 Anchor boxes 之后能預測上千個邊界框（13 × 13× num_anchors），提升召回率，
  

2.4 Dimension Clusters

在Faster R-CNN 以及 SSD 中，作者并沒有明確地給出采用那些作者給定的 Anchor 或者 Default Box的尺寸，基本上為工程經驗得到，于是，YOLOv2嘗試統計出更符合樣本中物件尺寸的先驗框，這樣就可以減少網路微調先驗框到實際位置的難度，

YOLOv2的做法是對訓練集中標注的Anchor Box邊框進行K-means聚類分析，以尋找盡可能匹配樣本的邊框尺寸，如果我們用標準的歐式距離的k-means，會導致尺寸大的框比小框產生更多的錯誤，

聚類的目的是使 Anchor boxes 和臨近的 ground truth boxes有更大的IOU值，因此自定義的距離度量公式為 ：

centroid是聚類時被選作中心的邊框，box就是其它邊框，d就是兩者間的“距離”，IOU越大，“距離”越近，到聚類中心的距離越小越好，但IOU值是越大越好，所以使用 1 - IOU；這樣就保證距離越小，IOU值越大，

從下表可以看出，YOLOv2采用5種 Cluster(61.0) 比 Faster R-CNN 采用9種 Anchor(60.9) 得到的平均 IoU 還略高，并且當 YOLOv2 采用9種時，平均 IOU 有顯著提高(67.2)，說明 K-means 方法的生成的Anchor boxes 更具有代表性，為了權衡精確度和速度的開銷，最終選擇K=5，

下圖黑藍圖形為在 VOC 和 COCO 資料集上的聚類分析結果，隨著聚類中心數目的增加，平均 IoU 值（各個邊界框與聚類中心的IoU的平均值）是增加的，綜合考慮模型復雜度和召回率，作者最終選取 5 個聚類中心作為先驗框，其相對于圖片的大小如右邊圖所示，

2.5 Direct location prediction

在 Faster R-CNN 演算法中，是通過預測 bounding box 與 ground truth 的位置偏移值，間接得到bounding box的位置，公式如下：

這個公式是無約束的，預測的邊界框很容易向任何方向偏移，因此，每個位置預測的邊界框可以落在圖片任何位置，這會導致模型的不穩定性，

為了讓網路的結果能落在這一范圍內，網路使用一個 Logistic Activation來對于網路預測結果進行限制，讓結果介于0到1之間， 網路在每一個網格單元中預測出5個Bounding Boxes，每個Bounding Boxes有五個坐標值tx，ty，tw，th，t0，他們的關系見下圖（藍色的是要預測的bounding box，黑色虛線框是Anchor box）：

2.6 Fine-Grained Features

細粒度特征，可以理解成對不同層的物體預測的精細研究，YOLOv2 提出了一種 Pass Through Layer層來利用更精細的特征圖，把高解析度的淺層特征連接到低解析度的深層特征（把特征堆積在不同Channel中）而后進行融合和檢測，

具體操作是：先獲取前層的26×26的特征圖，將其同最后輸出的13×13的特征圖進行連接，而后輸入檢測器進行檢測（而在YOLOv1中網路的FC層起到了全域特征融合的作用），以此來提高對小目標的檢測能力，

Passthrough層與ResNet網路的shortcut類似，以前面更高解析度的特征圖為輸入，然后將其連接到后面的低解析度特征圖上，前面的特征圖維度是后面的特征圖的2倍，passthrough層抽取前面層的每個2×2的區域區域，然后將其轉化為channel維度，對于26×26×512的特征圖，經Passthrough層處理之后就變成了13×13×2048的新特征圖（特征圖大小降低4倍，而channles增加4倍），這樣就可以與后面的13×13×1024特征圖連接在一起形成13×13×3072的特征圖，然后在此特征圖基礎上卷積做預測，示意圖如下：

2.7 Multi-Scale Training

采用多尺度訓練，替換固定尺寸訓練，作者希望YOLOv2能健壯的運行于不同尺寸的圖片之上，所以把這一想法用于訓練model中，區別于之前的補全圖片的尺寸的方法，YOLOv2每迭代幾次都會改變網路引數，每10個Batch，網路會隨機地選擇一個新的圖片尺寸，由于使用了下采樣引數是32，所以不同的尺寸大小也選擇為32的倍數{320，352……608}，最小320×320，最大608×608，網路會自動改變尺寸，并繼續訓練的程序，

在測驗時，YOLOv2 可以采用不同大小的圖片作為輸入，在 VOC 2007 資料集上的效果如下圖所示，

可以看到采用較小解析度時，YOLOv2 的 mAP 值略低，但是速度更快，而采用高分辨輸入時，mAP 值更高，但是速度略有下降，對于 544 × 544 的輸入圖，mAP 高達 78.6%，值得注意的是，這只是測驗時輸入圖片大小不同，而實際上用的是同一個采用Multi-Scale Training訓練得到的模型，

3. YOLO9000

YOLO9000 是在 YOLOv2 的基礎上提出的一種可以檢測超過 9000 個類別的模型，其主要貢獻點在于提出了一種分類和檢測的聯合訓練策略，

一般來說，檢測資料集的標注要比分類資料集打標簽繁瑣的多，所以 ImageNet 分類資料集比 VOC 等檢測資料集高出幾個數量級，在 YOLO 中，邊界框的預測其實并不依賴于物體的標簽，所以YOLO可以實作在分類和檢測資料集上的聯合訓練，

對于檢測資料集，可以用來學習預測物體的邊界框、置信度以及為物體分類，而對于分類資料集可以僅用來學習分類，但是其可以大大擴充模型所能檢測的物體種類，在訓練時，如果是檢測樣本，按照 YOLOv2 的 loss 計算誤差，而對于分類樣本，只計算分類誤差，

通過聯合訓練策略，YOLO9000 可以快速檢測出超過 9000 個類別的物體，總體 mAP 值為 19.7%，從某方面說，YOLOv2的改進策略亮點并不是很突出，但是YOLO9000算是開創之舉，

4. 網路訓練細節

由于作者在論文中沒有體現誤差，損失函式等內容，對于相關細節可跳轉《目標檢測|YOLOv2原理與實作(附YOLOv3)》 以及《YOLO v2 損失函式原始碼分析》

三、YOLOv3

2018年，作者Redmon在YOLOv2的基礎上做了一系列的改進，但是正如作者所說，這僅僅是他們近一年的一個作業報告（TECH REPORT），不算是一個完整的paper，因為他們實際上是把其它論文的一些作業在YOLO上嘗試了一下，其核心在于做大做強，再創輝煌，可跳轉視頻霹靂吧啦Wz《yolo系列理論合集》查看詳細講解，

小小將 認為，YOLOv3 最大的變化為backbone中的殘差模型以及采用FPN特征金字塔結構，

其中，在YOLOv3中保留的步驟有：

• 通過劃分grid cell單元格來做檢測，只是每次劃分的數量尺寸不一樣，
• 采用 Leaky ReLU 作為激活函式
• 進行端到端的訓練，用一個loss function損失函式完成訓練
• 保留YOLOv2中的batch normalization批量標準化處理作為正則化、加速收斂和避免過擬合的方法，
• 保留YOLOv2中的多尺度訓練，替換固定尺寸訓練，即通過采用不同解析度的影像，在速度和準確率之間選擇，

1. 網路結構

YOLOv3 的第一個改進之處就是將 backbone 替換為 Darknet-53，而在 YOLOv2 中采用的是 Darknet-19 這樣一個網路，Darknet-53 的top-1準確率相較于 Darknet-19 有比較大的提升，與 ResNet 性能相當，但是FPS即檢測速度比 ResNet 要好很多，Darknet-53 如下圖所示，YOLOv3最大的變化為使用殘差模型和采用FPN(feature pyramid networks)架構，

注：top-1和top-5準確率

模型在 ImageNet 資料集上進行推理，按照置信度排序總共生成 5 個標簽，按照第一個標簽預測計算正確率，即為 Top-1 正確率；前五個標簽中只要有一個是正確的標簽，則視為正確預測，稱為 Top-5 正確率，

Darknet-53網路結構有如下特點，如下圖所示，

• 這個網路主要是由一系列的1x1和3x3的卷積層組成；
• 將convolution卷積層升級為卷積層+BN層+激活層，即每個卷積層后都會跟一個BN層和一個LeakyReLU層；
• 沒有采用最大池化層，轉而采用步長為2的卷積層進行下采樣，即左圖框下面的那個卷積，使得輸出影像減小為原來的一半；
• 左圖中的每個方框框柱的就是一個residual殘差結構，將兩層卷積層后與主分支的輸出進行相加，即右下圖；
• 作者說因為網路中有53個convolutional layers，所以叫做Darknet-53（最后的Connected是全連接層也算卷積層），
  

整個v3結構里面，是沒有池化層和全連接層的，前向傳播程序中，張量的尺寸變換是通過改變卷積核的步長來實作的，比如stride=(2, 2)，這就等于將影像邊長縮小了一半(即面積縮小到原來的1/4)，

YOLOv3的416模型網路結構，即輸入影像尺寸為416×416，預測的三個特征層大小分別為52,16,13，結構如下圖所示：

• 其中的convolution set卷積集合由五層卷積層組成
• 通過up sample上采樣擴大尺寸為原來的兩倍
• concatenate完成了通過上采樣與來自backbone中的卷積匹配拼接
• 預測器 Conv 1×1 就是一個卷積層，三個分別輸出不同shape尺寸的feature map
  

2. 改進方法

2.1 多尺度預測

為了能夠預測多尺度的目標，當輸入圖片為416×416時，YOLOv3基于k-means方法對不同size的目標進行檢測（越精細的grid cell就可以檢測出越精細的物體），得到的九組預設邊界框尺寸，并將其劃分到3個尺度特征圖上，尺度更大的特征圖使用更小的anchor先驗框，和SSD類似，這些預設的框被稱為 bounding box priors，這個和 Anchor 以及 Default box 其實是一個概念，

在COCO資料集上選擇的9種Anchors的尺寸如下所示：

YOLOv3 借鑒了==FPN (feature pyramid networks)==特征金字塔的思路，Concatenate層與來自backbone里的相同特征圖大小的殘差層拼接，可參考YOLOv3網路結構，在COCO資料集(有80個分類)上進行預測時，每一個預測特征層上會張量為 N × N × [ 3 ? ( 4 + 1 + 80 ) ] ，N為特征圖大小，

由下采樣次數不同，得到的N不同，最終三個Predict(從上到下)的shape分別為：[13, 13, 255]、[26, 26, 255]、[52, 52, 255]，

2.2 目標邊界框預測

下圖中虛線矩形框為先驗框，即預設邊界框，實線矩形框為通過網路預測的偏移量計算得到的預測邊界框，通過右下角的式子可以計算得出實際預測框 b 的尺寸，

注：虛線框 Anchor 的中心畫到了 cell 的左上角，它的中心坐標就是 ( c x , c y ) (c_x,c_y) (cx?,cy?)，寬度和高度分別是 p w p_w pw?和 p h p_h ph?，σ是sigmoid函式，sigmoid函式目的是將預測偏移量縮放到0到1之間，能夠將預設邊界框的中心坐標固定在一個cell ( c x , c y ) (c_x,c_y) (cx?,cy?)當中，作者說這樣能加快網路收斂，

2.3 正負樣本的匹配

• positive正樣本：對每一個 ground box 會分配一個 bounding box prior，一張圖片中有幾個 GT 目標，就有幾個正樣本，并且將與 GT box 重合度最高（IoU 分數最大）的 bounding box prior 作為正樣本，可產生confidence置信度 loss、檢測框 loss、類別 loss，其中置信度標簽為 1 （亦可選擇預測邊界框與 GT box 的 ioU 分數）；類別標簽對應類別為1，其余為 0，
• ignore忽略樣例：對于那些與某個 GT box 重合度超過一定閾值（論文中使用 0.5），但是又不是最大的，則它既不是正樣本也不是負樣本，直接將其進行丟棄不用于計算損失，
• negative負樣本：對于剩下的樣本（與所有 GT box 的 IoU 分數都小于 0.5）則認為是負樣本，負樣本僅僅用于計算置信度損失，置信度標簽為 0，

3. 損失函式

對于神經網路來說，損失函式的設計也非常重要，YOLOv3文中并沒有直接給出損失函式的運算式，YOLOv3的損失函式主要分為三個部分：目標置信度損失，目標分類損失，目標定位偏移量損失；其中 λ 1 ， λ 2 ， λ 3 λ_1，λ_2，λ_3 λ1?，λ2?，λ3?為平衡系數，表示三種loss之間的比例，

3.1 目標置信度損失

目標置信度可以理解為預測目標矩形框記憶體在目標的概率，采用二值交叉熵損失(Binary Cross Entropy) 方法； o i o_i oi?∈{0, 1} 表示預測目標邊界框i中是否真實存在目標，0表示不存在，1表示存在，

假設上圖右邊藍色的部分是 bounding box prior，綠色邊界框是 GT box，黃色就是預測的 4 個邊界框回歸引數作用于藍色的 bounding box prior 得到預測目標邊界框，黃色和綠色的邊界框的 IoU 就是 o i o_i oi?了，可以直接取 0 和 1，

3.2 目標分類損失

目標分類損失同樣采用的是二值交叉熵損失，同一目標可同時歸為多類，比如貓可歸為貓類以及動物類，這樣能夠應對更加復雜的場景，

需要注意的是，COCO 資料集有 80 個類別，所以類別數在 85 維輸出中占了 80 維，每一維獨立代表一個類別的置信度，作者使用 Sigmoid 激活函式替代了 YOLOv2 中的 softmax，取消了類別之間的互斥，可以使網路更加靈活，但是經過 Sigmoid 處理可能出現認為目標既是貓又是狗的情況（兩個概率都大于 0.5），所以 80 個概率之和并不是等于 1 的，

3.3 目標定位損失

采用的是真實偏差值與預測偏差值差的平方和，通過左下角的式子能夠得到目標定位損失值，

目標定位xywh也是由均方差來計算loss的，其中預測的xy進行sigmoid來與lable xy求差，label xy是grid cell中心點坐標，其值在0-1之間，所以predict出的xy要sigmoid，

4. 性能比較

通過在 COCO 資料集上正確率的對比我們可以看出，相比于其他網路而言，YOLOv3 速度非常的快，但是正確率并沒有那么高，而在滿足檢測精度差不都的情況下，YOLOv3具有更快的推理速度！

當 IoU=0.5 時候的 AP 對應的是 PASCAL VOC 的評價指標了，可見其檢測效果對于其他網路而言還是有競爭力的，且速度奇快無比，