تشخیص اشیا با استفاده از یادگیری ماشین

روش YOLO نسبت به سیستم های تشخیص جدید دارای نواقص بسیار زیادی است. میزان خطای بدست آمده از تحلیل YOLO در مقایسه با Fast-R-CNN نشان می دهد که روش YOLO دارای خطای قابل توجهی در محلی سازی است. علاوه بر این، روش YOLO نسبت به روش های مبتنی بر منطقه، مقدار بازخوانی نسبتا کمتری دارد. بنابراین در روش YOLO عمدتا بر بهبود بازخوانی و محلی سازی متمرکز شده و در عین حال دقت طبقه بندی حفظ می گردد . طبقه بند با وضوح بالا. تمام روش های تشخیص پیشرفته، از طبقه بندهای پیش آموزش در ImageNet استفاده می کنند. با شروع AlexNet بیشتر طبقه بند کننده ها بروی تصاویر ورودی با ابعاد کوچکتر از ۲۵۶×۲۵۶ عمل می کنند. روش YOLO اصلی، شبکه طبقه بندی را در ابعاد ۲۲۴×۲۲۴ آموزش می دهد و میزان وضوح را به منظور تشخیص بهتر، به ۴۴۸ افزایش می دهد. این بدان معناست که شبکه مجبور است به طور همزمان آموزش تشخیص شیء را انجام داده و خود را با وضوح ورودی جدید تطبیق دهد. در روش YOLOv۲ ابتدا شبکه طبقه بندی با وضوح کامل ۴۴۸×۴۴۸ برای ۱۰ تکرار در ImageNet تنظیم می گردد. این کار، به شبکه زمان کافی برای تنظیم فیلترها را می دهد تا در ورودی با وضوح بالاتر، عملکرد بهتری داشته باشند. سپس تنظیمات مربوط به شبکه به منظور تشخیص بهتر، انجام می گردد. این شبکه طبقه بندی با وضوح بالا، میزان افزایش تقریبا ۲٪ را از نقطه نظر mAP ارائه می دهد.