Object Detection: To Be Higher Accuracy and Faster

本系列文章由 @yhl_leo 出品，轉載請註明出處。
文章連接： http://blog.csdn.net/yhl_leo/article/details/51597496

---

在深度學習中有一類研究熱點，目標檢測，從2012年AlexNet到2016年，尤爲是2015年開始，深度學習中的深層的卷積神經網絡發展迅猛，其中不但衍生出了例如VGG, GoogleNet等愈加區域標準化的深層網絡，也相繼提出一系列檢測加速的策略，例如針對快速提取proposal的方法，像selective search, edge box, BING, RPN等，這些方法的發展和完善，使得基於深度學習的目標檢測精度愈來愈高，並且速度愈來愈快，我整理了這一發展過程，對其中的部分方法進行講解，準備有限，有不足或者疑問的地方請你們多多指教，其中一些參考文章和網站不在PPT中，但也對相關做者表示感謝。

我講解的內容主要分爲三部分歸納爲BBS，基於深度學習目標檢測的背景，幾個近幾年的比較經典的卷積神經網絡，以及最後的總結。

這裏列舉了幾個經典的CNN網絡，須要指出的是，這裏除了AlexNet, GoogleNet, VGG外，其餘都是能夠進行目標檢測的，可是做爲經典，所以有必要在這裏向它致敬，今天演講的內容主要是這幾個網絡。14年以前，深度學習雖然也有很多人關注，可是成果相對較少，最重要的一個緣由，我我的以爲就是入門門檻過高，除了一些牛逼的實驗室和大神能玩得轉外，其餘人想搞都很是吃力，可是14年以後就是另外一番景象，深度學習如同秋風掃落葉般，侵入了計算機視覺的各個領域，一些普通實驗室和我的，也能迅速地開展相關的研究。

緣由我以爲主要是兩個：第一是顯卡性能的提高和成本下降，2012年AleXNet訓練的時候，引入了兩塊GTX 580，每塊具備1.5G顯存，顯存頻率2GHz，足足訓練了五六天，在2014年市面上能見到的較好的顯卡仍是NVIDIA GTX 800系列，無論是顯存大小仍是顯存頻率都不夠給力，而你們都知道深度學習後來被推崇的主要緣由，就是其速度快，可是當年並非這樣，想要進行該領域的研究，須要更好的專業級顯卡，硬件成本要求過高，這一條就將不少人拒之門外；2015年以後新推出GTX 900系列，TITAN 系列等，在計算能力上提高了不少個level，價錢也能夠接受，960如今應該不超過2000塊，TITAN X國內大概8000多，這裏說的GPU主要指的是NVIDIA旗下的，在GPU加速運算這塊AMD棋差一招，如今已經無法跟NVIDAI競爭。

並且NVIDIA如今也向學者免費提供顯卡，顯卡型號是TITAN X，我4月份的時候，向官方遞交了申請書，5月初就收到了對方重新加坡寄來的顯卡，仍是很給力的，有興趣的同窗能夠去嘗試一下。

第二個緣由就是相關的開發包的完善和成熟，例如2014年開源，影響力巨大的caffe深度學習框架，適宜NVIDIA GPU加速運算的開發包CUDA、CUDNN，以及其餘編程開發環境對於深度學習的推動例如Python, Matlab和你們經常使用的開源庫OpenCV，Google在caffe公佈後，也耐不住寂寞，在2015年也公佈了它的深度學習框架TensorFlow。

就目前來看，caffe框架支持C++,Python和Matlab環境，具備較大的用戶羣，如今開源的大部分工程都是基於caffe框架的，tensorflow主要支持Python環境，目前基於此進行研究的開源工程不多，這兩個框架我都進行了研究，因此專門拿出來說講，我的建議若是是想要開始學習，直接學習caffe較好，相關的開源demo和文檔更多，在GitHub和Stack overflow兩大程序員網站上相關的討論也較多，學習上手較快，還有其餘的一些框架，就再也不多講。

如今進入主題，基於深度學習的目標檢測問題，是這兩年的熱點問題之一，首先讓咱們來看三個概念，Recognition, Detection 和 Segmentation(略)。

就這三類數據，對經常使用的一些數據集，進行簡單的羅列。

以上是三個常見的較大的數據集。

常見的評估方法，IoU, AP, mAP。

這裏解釋一下常常見到的評價指標，Top-1 / Top-5 error是什麼意思。給定一個測試樣本，以及正確的label，對模型預測樣本屬於各個label的機率值進行降序排列，若是預測所屬類別可能性比較靠前的N箇中沒有正確的label，那就認爲預測失敗。至關因而對預測的要求下降要求，不求可能性最大的那種結果就是正確的，可是至少可能性較大的幾種類別裏，要含有正確的結果，下面給出的公式至關因而Top-1 error。

這是經典CNN網絡AlexNet的結構，包括5層卷積層+3層全鏈接層，在文章裏爲了進行分類，還在最後一層全鏈接層後加了一層softmax層，在第1,2,5層卷積層後加了LRN層和Max Pooling層。這篇論文對於網絡框架的一些實現細節，進行了不少論證工做，也是後來不少網絡都以此爲藍本，進行新的拓展。

講述幾點做者的主張：不用simgoid和tanh做爲激活函數，而用ReLU做爲激活函數，緣由是：加速收斂。由於sigmoid和tanh都是飽和(saturating)的。何爲飽和？多是他們的導數越接近目標，對應的導數越小，而ReLu的導數對於大於0的部分恆爲1。因而ReLU確實能夠在BP的時候可以將梯度很好地傳到較前面的網絡。

LRN操做能夠提升網絡的泛化能力，下降分類的錯誤率。論文裏下降了2個百分點的錯誤率，其中，x,y是像素位置，求和含義是，把該位置上n幾個臨近的卷積核產生的feature map上的值加起來，N是這一層中全部的卷積核數量，K， alpha, beta是一組參數，取值通常都是固定的。

論文中對於pooling時，是否應該存在overlapping，進行討論，所謂的overlapping就是指pooling窗口在移動的過程當中跟前面的窗口要不要保持必定的重疊度，分析後做者認爲保持必定的重疊度，能夠必定程度上減弱過擬合問題和下降分類偏差。

爲了不過擬合，使用了兩種策略，一種是數據拓充（Data Augmentation），也使用了兩種方法：第一種是隨機Crop，訓練的時候，將輸入的256x256的圖像，隨機裁剪成爲224x224+水平翻轉拓展了2048倍，測試階段，產生5x2個crop， 即使拓展了這麼多，其實避免過擬合的程度也頗有限，論文裏錯誤率下降了一個百分點，訓練關鍵仍是原始數據要多。第二種是對RGB空間作PCA，即主成分分析，而後對主成分作一個輕微的高斯擾動，進一步下降錯誤率。

另一種策略稱爲Dropout，深層網絡常常具備大量的參數，雖然對於非線性問題具備較強的描述和學習能力，可是訓練過程當中過擬合也是很讓人頭疼的，有人提出將幾個不一樣的網絡的預測結果融合在一塊兒，可是分別訓練這樣的網絡代價很大，Dropout方法就解決了這個問題，在訓練的過程當中把部隱單元drop掉，若是訓練過程當中設置一組不一樣的drop組合，就能夠在一次訓練過程當中獲得幾個不一樣的網絡的疊加效果。

讓咱們來看，真正開始利用卷積神經網絡進行目標檢測的R-CNN，縮寫的全稱是Regions with CNN features， 我在前面講述過，CNN並不能直接進行目標檢測，只能進行識別或者分類，也就是說，給定一個圖片或者圖片區域，它只能回答你，裏面是否含有某類目標的可能性，那怎麼樣才能進行目標檢測呢？最簡單的作法就是，我使用一個滑動窗口，把整幅圖像都遍歷一遍，找出全部類別評分比較高的區域，而後進行標記，可是這種作法，想想就會發現很大的不足，首先天然場景裏圖片中目標的大小時不肯定的，使用固定大小的滑動窗效果不行，可是搞出更復雜多變的滑動窗，計算量上一下就吃不消，若是能有一種有效的策略，提供較少許的可能存在待檢測目標的區域，上面提到的問題就能很好的解決。利用CNN訓練的特徵對提取的目標候選區進行分類，這就是R-CNN的核心思想。

咱們能夠把R-CNN的結構分紅獨立的三塊：定位使用的selective search，提取出2k個候選區，特徵提取使用的是深層卷積神經網絡CNN，文中是去掉最後一層softmax層的AlexNet，分類方法選擇了L-SVM，對於每一個類別使用NMS非最大抑制方法，捨棄掉部分region，獲得檢測結果。R-CNN的成功之處在於：a.使用CNN獲取更高級別的目標特徵取代了人工設計特徵提取方法；b.使用類別獨立的region proposal提取方法（Selective Search）減小了檢測搜索的空間。它指出了一條使用深度學習進行目標檢測的可行方案，其後的不少方法，基本都是參照這個流程，在各個子模塊進行優化和改進。固然不足也很明顯，提取proposal方法較慢（CPU, 2s/img）;在檢測時，對於提取的proposal所有warp到固定的size而後輸入到CNN網絡中並非最佳方法（後來在Fast R-CNN中解決了這一問題）。

關於proposal提取方法，在至關長的一段時間裏都是研究的熱點，這裏引用了15年的一篇論文，它對當時比較流行的一些方法（或者說是能夠找到源碼的方法）進行了分析和評價，它把這些方法大體分爲兩類，一種是Grouping，將圖像過度割，而後再聚合在一塊兒的，好比R-CNN使用的selective search，另外一種是Window scoring 生成大量的窗口並打分，而後過濾掉低分的窗口，還有介於二者之間的例如multibox，這裏沒有列舉；還有一些其餘很好的方法，好比Faster R-CNN使用的RPN、HyperNet、YOLO方法等，由於在論文發表以後提出，因此沒被列在內。

這是一張基於VOC07和ImageNet 的各類提取proposal方法能力的測試圖，做者分析發現：（1）MCG， EdgeBox，SelectiveSearch, Rigor和Geodesic在不一樣proposal數目下表現都不錯；（2）若是隻限制小於1000的proposal，MCG,endres和CPMC效果最好；（3）若是一開始沒有較好地定位好候選框的位置，隨着IoU標準嚴格，recall會降低比較快的包括了Bing, Rahtu, Objectness和Edgeboxes。其中Bing降低尤其明顯；（4）在AR這個標準下，MCG表現穩定；Endres和Edgeboxes在較少proposal時候表現比較好，當容許有較多的proposal時候，Rigor和SelectiveSearch的表現會比其餘要好；（5）PASCAL和ImageNet上，各個OP方法都是比較類似的，這說明了這些OP方法的泛化性能都不錯。

簡單講解一下Selective search的方法原理，前面已經說了它是一張基於Grouping的方法，首先對圖像進行過度割，過度割後的區域塊和相鄰的區域塊之間計算類似度，把類似度最高的兩個合併，而後重複上面的過程，直到整幅圖像被合併成爲一個區域，迭代中止；所以它是一種由粗到細，具備必定層次的方法。

這是層次聚類的算法僞碼，很容易理解。

爲了使得聚類不單一化，也就是產生儘量多樣的候選區域，文章對於類似度進行了多種描述，顏色空間上進行了多種轉換，同時區域的紋理、大小、填充孔洞，以及起始的區域等特徵都會影響類似度。總得來講，這種方法仍是很不錯的，可是就是計算量有點大。

在SPP-net前，因爲CNN網絡結構的特色，全鏈接層須要固定長度的輸出，所以廣泛做法都是使輸出圖像的大小固定，因爲全部圖像卷積層操做都是同樣的，就能夠保證輸入到全鏈接層的向量大小是相同的。有兩種方法，第一種是Crop，從原圖上按照必定方式裁剪出固定大小的圖像，第二種是warp，就是把使用bounding-box標註的目標區域，拉伸成固定大小，這兩種方式都具備必定弊端，那就是傳入網絡訓練的圖像與原始數據並不一致。

SPP-net的思路就是想要解決樣本rescaling問題，提出直接使用任意尺度的圖像輸入網絡進行訓練，從而增長尺度不變性，減小過擬合問題。

若是原圖輸入是224x224，對於conv5出來後的輸出，是13x13x256的，能夠理解成有256個這樣的filter，每一個filter對應一張13x13的reponse map。若是像上圖那樣將reponse map分紅4x4 2x2 1x1三張子圖，作max pooling後，出來的特徵就是固定長度的(16+4+1)x256那麼多的維度了。若是原圖的輸入不是224x224，出來的特徵依然是(16+4+1)x256；能夠理解成將原來固定大小爲(3x3)窗口的pool5改爲了自適應窗口大小，窗口的大小和reponse map成比例，保證了通過pooling後出來的feature的長度是一致的。

與R-CNN相似，檢測上仍然使用相同的方法，Selective search + SVM，可是作了一些優化，使得速度提高很多，雖然SPP-net提出這種對訓練圖像大小不作限制的思想，並無被繼續使用，可是spatial pyramid pooling layer的方法，在後來的Fast R-CNN, Faster R-CNN和HyperNet方法中得以延續:RoI Pooling layer，用以把region proposal對應區域的feature map轉換成固定大小的feature map，而後輸入到全鏈接層中。

再看卷積神經網絡結構上的發展，有影響力比較大的兩個深層卷積神經網絡GoogleNet 和 VGG，這兩個網絡結構在ILSVRC 2014年分類挑戰賽上分別得到了第一名和第二名的好成績。這是兩篇論文裏分別對網絡精度的描述。

先看GoogleNet，論文提出了兩種基本模式，首先是簡單模式，3個使用不一樣大小卷積核的卷積層和一個pooling層，在一層裏，依次分別進行，而後使用concat層把輸出鏈接在一塊兒，另一個模式是在其中兩個卷積層以前和pooling層以後，添加具備更小卷積核的卷積層，而後再用concat層進行鏈接。

這是總體網絡結構的基本框架，這裏每一個inceptiond都是一個基礎模型b，加起來一共有22層深，若是把5個pooling層也算進來，就有27層深（表格中全部的inception都是前面基礎模型中的b結構，深度爲2）。

這是具體的網絡結構圖，由於太長了，我把它轉成水平。做者總結認爲，這種網絡結構，相比於較淺的、較窄的網絡結構，雖然增長了部分計算量，可是卻能取得明顯的效果增益。在實際測試中，效果確實也要比傳統的網絡效果更好。

這是VGG的網絡框架，從A到E一共6種，網絡深度從11層到19層不等，論文也對卷積核大小進行了探討，感興趣的能夠閱讀原文。相對於這就是2014年以前基於深度學習進行目標檢測的主要成果，固然還不少關於數據預處理，檢測proposal提取方法，網絡結構優化的嘗試等沒有在上文描述中出現，可是我以爲前面講述的幾個方法在當時已經算是集大成者，各方面性能表現都很驚豔，比傳統的機器學習方法優越很多。

如今來說2015年以後的該領域的一些發展，首先是Fast R-CNN。在R-CNN和SPP-net以後，做者分析他們存在如下三個不足：第一：訓練的時候，提取proposal、CNN特徵提取，SVM分類，和bbox 迴歸是分開隔離的，而Fast R-CNN實現了端到端的聯合訓練（提取proposal除外），這種思路在之後的檢測方法中延續；第二，訓練時間和內存開銷大，R-CNN提取特徵給SVM訓練時候須要中間要大量的磁盤空間存放特徵，Fast R-CNN去掉了SVM這一步，全部的特徵都暫存在顯存中，不須要額外的磁盤空間；第三，檢測速度慢，在測試的時候，須要把提取的proposal（前面提到是2k個）都輸入到網絡中提取特徵，做者測試，若是使用VGG16網絡，一張圖像在GPU模式下消耗的時間是47s。咱們看一下Fast R-CNN的網絡結果，輸入一張圖像和多個proposals，論文裏也稱爲RoI， 通過卷積網絡獲得feature map，再把這些feature map輸入到RoI pooling layer池化成一個固定大小的feature map， 通過全鏈接層後展開爲一個特徵向量，而後將特徵向量同時應用於softmax和bbox regressor，前者是用於類別機率估計，後者用於對bounding box的位置進行迴歸。在提取過量proposal的時候，實際中，這些proposal多數都是相互重疊的，所以按照R-CNN的作法，把這些相互重疊的proposal依次輸入到網絡中打分，就會致使一個很嚴重的問題，那些重疊部分會被反覆計算feature（使用的是同一個網絡，就至關於把一張圖不一樣部分反覆算了不少遍），這樣的計算浪費是很沒有必要的，而Fast R-CNN避免了這個問題，它對一張圖像只計算一次卷積feature map，而對於proposal對應的圖像區域，它把他們在卷積feature map上對應的區域分別取出，經過RoI pooling layer 生成固定大小的feature map，而後進行後面的分類以及bbox迴歸。這點改變是它速度提高的重要緣由之一。

介紹一下RoI pooling layer，前面講述單層的SPP layer將這個卷積輸出的ROI對應的feature map下采樣爲大小固定的feature map再傳入全鏈接層，方法也很簡單，在前面講述SPP-net的時候，已經講過爲了可以輸入任意尺度的圖像，在卷積層輸出的最後，添加空間金字塔池化層，使輸出的特徵向量具備固定的大小，這裏也是一樣的道理，只不過是爲了使不一樣size的RoI區域可以輸出統一，方便後面的分類以及bbox 迴歸。Fast R-CNN只是用了一層spp layer 獲得固定大小的feature map，論文裏設置的是7x7，爲何不使用更多層，主要是出於兩方面的考慮：一個是會增長計算量，下降速度，另外一個就是由於在訓練時，做者使用了ImageNet預訓練結果進行網絡參數的初始化，若是把這裏的池化層拓展爲多個spp layer那些模型的參數就沒辦法直接使用，就必須從新訓練。

關於尺度不變性，論文裏引用了SPP-net的方法，brute force, 也就是簡單認爲object不須要預先resize到相似的scale再傳入網絡，直接將image定死爲某種scale，直接輸入網絡來訓練就行了，而後指望網絡本身可以學習到scale-invariance的表達。image pyramids （multi scale），也就是要生成一個金字塔，而後對於object，在金字塔上找到一個大小比較接近227x227的投影版本，而後用這個版本去訓練網絡。憑感受能夠看出，方法2應該比方法1更加好，做者也在討論了，方法2的表現確實比方法1好，可是好的不算太多，大概比方法高1個mAP左右，可是時間要慢很多，因此做者實際採用的是第一個策略，也就是single scale。這裏，Fast R-CNN測試之因此比SPP-net快，很大緣由是由於這裏，由於SPP-net用了方法2，而Fast R-CNN用了方法1。

做者分析，在整張圖像分類過程當中，在計算全鏈接層上計算花費的時間要比卷積層少，可是對於目標檢測來講倒是相反的，由於要處理的RoI數量比較多，像圖上顯示的在forward pass過程程中，fc6和fc7佔了44.9%的時間，所以做者提出經過利用SVD分解的方法，將大規模的全鏈接矩陣縮減到很小的數據量，論文裏講述，將fc6 25088x4096的矩陣壓縮爲1024個奇異值，fc7 4096x4096 壓縮爲256個奇異值，雖然在精度上降低了0.3%，可是速度上卻提高了30%。

Fast R-CNN 將R-CNN用於分類的分類器，從SVM換成了softmax，可是這二者到底哪個究竟更好，做者也進行了探討，這是一組對比試驗，其中S,M,L分別都是網絡模型，S指的就是AlexNet，M指的是VGG_CNN_M_1024，L指的是VGG16網絡深度依次增長，能夠看出使用softmax的結果比SVM都要好一些，並且做者指出，在ROI打分的時候，softmax會提供各個類別的score，而svm提供的是one-vs-rest，前者對於分類來講可能更有利。

這是一個R-CNN， SPP-net，Fast R-CNN的速度對比表，能夠看出速度提高的仍是很明顯的。論文就不少其餘細節也都進行了討論，例如網絡更新是否應該所有更新仍是部分更新問題，數據量的問題等，這裏就不作介紹了。

再來看2015年另一篇論文，Faster R-CNN。 在Fast R-CNN以後，一些研究者也逐漸意識到，提取proposal成爲了提高目標檢測速度和精度的瓶頸，R-CNN，SPP-net和Fast R-CNN提取proposal的方法都還依賴於selective search。在提取proposal是在CPU中進行的，單幅影像耗時差很少2s，即使通過Fast R-CNN的優化加速後，想要作到視頻實時處理，速度仍然還不夠。因而Faster R-CNN就提出來，應該把提取proposal也交給CNN來作。在Fast R-CNN中，目標檢測是在卷積feature map上基於區域進行的，那是否是也能夠直接從卷積feature map上產生proposal呢？答案是確定的。這就是Faster R-CNN的核心思想：RPN提取proposal+Fast R-CNN分類。圖中顯示的就是RPN的示意圖，其中conv feature map就是卷積層最後輸出的feature map，使用滑動窗口，這裏給出的3x3的滑動窗口，把其中的高維特徵展開降維成256維的低維向量，把獲得的特徵向量分別輸入到兩個並列的層裏，一個box-regression layer（reg）和一個box-classification layer（cls）。

在RPN網絡中，滑動窗口中心所在位置，咱們成爲sliding position， 在每一個sliding position會按照必定的規則產生一系列的box，這些相關的box就被成爲anchors，論文裏指出每一個sliding position 會按照3個不一樣的尺度，產生3個不一樣長寬比（1:1， 1:2， 2:1）一共9個anchors， 假設一幅feature map大小是WxH，那麼它所產生的anchors數量就是：WHk，在數據處理的時候，做者把圖像都rescale 到1000x600大小，獲得的卷積feature map爲60x40，因此每張圖能夠產生anchors 有60x40x9約爲20k個，這是遠遠過量的，並且速度很快，經過對IoU進行非最大抑制後，餘下2k的anchors投入訓練，在檢測的時候，這個數目還好降得更低，減爲了300個。

速度和精度上的提高效果都比較顯著。

這是HyperNet的網絡結構。經歷了Fast R-CNN和Faster R-CNN後，人們開始從新審視這些算法的檢測結果，不難發現，因爲深層卷積網絡的使用，使得人們可以經過卷積和池化快速獲得proposal windows對應的高維特徵，可是最後卷積層輸出的feature map都是很是粗糙的（feature map上很小的區域，對應到原圖上就具備很大的感覺野），這就很容易致使定位不許確的問題，當面臨檢測小物體時，這種弊端就更加突顯，每每獲得的bbox與ground truth誤差較多。這是HyperNet的考慮，做者以爲有必要提出一種策略下降這種由於conv feature map的過於粗糙而產生的定位誤差，而解決方法就是，既然頂層的conv層縮水太厲害，那就把它在擴大，也就是這裏使用的Deconv 對高層特徵進行上採樣，同時還聯合淺層的conv來增長網絡判別和定位的能力，從而獲得更加精細化的定位。這就是HyperNet的核心思想。

與Fast R-CNN,Faster R-CNN同樣在訓練時都將訓練數據rescale成爲1000x600或600x1000。不一樣卷積層上的feature map融合時，因爲具備不一樣的分辨率，須要統一到相同size，所以對於淺層feature map經過pooling降採樣，對於深層feature map經過去卷積化Deconv進行上採樣，而後經過LRN操做進行數據歸一化，以後經過concat層把數據聯接在一塊兒。做者分析這樣作的優點有三點：a.多尺度的特徵描述; b.獲得的feature map大小對於目標檢測更爲合適（合成的Hyper feature map 大小是250x150，而Faster R-CNN爲60x40）; c.計算更加高效，沒有冗餘計算，全部的feature都已經在生成proposal和檢測以前完成，以後不須要再進行特徵提取。關於proposal提取方法（參考的論文就是Faster R-CNN做者提出的，感受跟RPN很像，可是效果要好一些）。

加速策略（略）。

速度上比Fast R-CNN快了很多，跟Faster R-CNN差很少，可是精度上比前二者都更高。

還有一些很好的其餘算法，這裏沒有列舉出來，可是從這些列出的算法中，能夠看出一些內容： 1.目標檢測在融入了深度學習後，發展迅速，尤爲是近幾年，檢測的速度不斷加快，精度也在不斷提升； 2.總體目標雖然是快速高效地完成檢測，但研究的熱點內容逐漸從如何更好地構建深層神經網絡，轉變到快速高效地提取proposal，再到如何更準確地定位和實時處理問題； 3.基本的卷積神經網絡結構已經在2014年左右奠基了基本格局，由基本網絡例如AlexNet, VGG，GoogLeNet等衍生出的檢測網絡比比皆是； 4.提取proposal的方法，始終都是提升檢測速度的關鍵，逐漸從利用原圖信息提取proposal，轉變爲利用conv feature map提取的方式，例如RPN，HyperNet等； 5.訓練測試的pipeline，從特徵提取，定位和分類獨立進行，轉變爲全都在神經網絡裏完成的end-to-end模式； 6.仍然有較大的提高空間，從各類檢測方法的評估來看，mAP精度還有不小的提高空間（目前還停留在80%如下），而想要實現實時處理（如YOLO），就要以犧牲精度爲代價。