SSD和yolov1的对比yolov3是什么时候出来的yoloV3是2018年出来的，比SSD和retinanet要晚，在map0.5的索引上比SSD和retinanet快很多，其中YOLO目标检测是一个突出优秀的算法，是“youonlylookonce”的缩写，意思是可以识别图片中物体的类别和位。
物体检测是与计算机视觉和图像处理相关的计算机技术，用于识别一幅图片中某些物体的类型，同时要求标注出物体的位置。目标检测在人脸检测、自动驾驶和视频监控等图像领域有着广泛的应用。目标检测中常用的方法可以分为单阶段和两阶段。Onestage方法首先输入图片，输出包围盒(bbox)和分类标签，由网络完成。YOLO和SSD是这种方法的主要代表。
其中，YOLO目标检测是一个突出而优秀的算法，是“youonlylookonce”的简称，意思是你只需要浏览一次，就可以识别出图片中物体的类别和位置，完美的平衡了检测速度和准确率的关系。YOLO也从最初的YOLOv1发展到了最新的YOLOv5。2015年，YOLOv1第一版提出，YOLO参考GoogleNet提出了Darknet网络。
声明:基于YOLOv1遵循CC4.0BYSA版权协议，YOLOv2和YOLO9000算法经JosephRedmon改进后于CVPR 2017提出，并获得最佳论文提名，重点解决YOLOv1在召回率和定位精度上的错误。YOLOv2在提出来的时候，在各种监测数据集中的速度都比其他检测系统快，在速度和精度上都能做到平衡。
与YOLOv1利用FC层直接预测边界框坐标相比，YOLOv2借鉴了FSRCNN的思想，引入锚机制，利用KMeans聚类方法在训练集中进行聚类，计算出更好的锚模板，利用卷积层的锚框运算增加区域建议的预测，并采用强约束定位方法，大大提高了算法的召回率。
3、SSD与 yolov1的对比4、 yolov3什么时候出来的
yolov3是2018年出来的，比SSD和retinanet晚，在map0.5的索引上比SSD和retinanet快很多，在工业应用上，map0.5已经得到了充分的使用，yolov3有简要的介绍，文档丰富，还有tiny版本等一些系列的变种。最重要的是速度很快，比SSD和retinanet都快。YOLOv3的提出并不是为了解决任何问题，整篇论文其实就是一篇技术报告。
模型改进:包围盒预测:anchorbox用于预测定位任务的包围盒，YOLOv3使用逻辑回归来预测每个包围盒的objectnessscore得分，得分基于预测的盒子和对象之间的重叠。如果一个盒子具有比其他盒子更高的重叠，则其分数为1，并且那些不是最佳盒子并且具有大于某个阈值(0.5)的重叠的盒子被忽略。
