一. 找到最好的工具

       “工欲善其事，必先利其器”，如果你想找一个深度学习框架来解决深度学习问题，TensorFlow 就是你的不二之选，究其原因，也不必过多解释，看过其优雅的代码架构和工程化实现之后，相信这个问题不会有人再提，这绝非 Caffe an so on 所能比拟的。

       回到题头 － 目标检测，相信你一定看过这篇 Paper： Speed/accuracy trade-offs for modern convolutional object detectors, Huang J, CVPR2017

       所谓 Trade-Off 是指精度和效率之间的 Trade-Off，TensorFlow 给出了该方法的具体实现：

       代码下载：【Github】

二. 跑通代码

       先来看页面介绍，来看 Show 出的检测效果对比（IncResnet V2 对小目标的检测效果非常不错）：

       

三. 论文阅读

       程序跑起来之后，还是有必要来读一遍论文，了解技术原理，对于代码的运用和参数调整都有很大作用。

       这是一篇综述性质的论文，主要比较了 Faster R-CNN，RFCN，SSD 三种检测框架，原理示意如下：

       针对每个框架，结合不同的 特征提取网络来进行整合实验，里面主要比较的网络有：VGG，Inception v3，Resnet-101，Inception Resnet 等。

Model	Top-1 accuracy	Num. Params.
VGG-16	71.0	14,714,688
MobileNet	71.1	3,191,072
Inception V2	73.9	10,173,112
ResNet-101	76.4	42,605,504
Inception V3	78.0	21,802,784
Inception Resnet V2	80.4	54,336,736

       具体每个网络就不展开了，这个都比较熟悉，通过比较，我们最关心的两点，一是准确度，二是效率，直接贴出来原文的图来说明：

        

        

       可以看到，精度最高的Faster R-CNN效率是最低的，网络复杂度最高的 Inception Resnet 带来的精度提升比较明显，同样的，用 GPU Time 衡量的计算量与 Float运算、内存容量各方面的衡量指标是类似的，这里就不再全部列出来了。

       可以通过两种方式有效提高算法效率： 一是降低图像分辨率，二是减少 Proposal 数量（仅支持Faster R-CNN 和 RFCN ）。

       需要强调一点的是 Region Proposal 的数量，对于效率的影响会比较明显，因为Proposal数量 决定了计算量（几乎是成比例的），因此提高 Proposal的准确度，减少数量是最好的方式（最有效的提高效率）。