محدودیتهای YOLO (You Only Look Once) در تشخیص شیء به شرح زیر است:
-
یک کلاس در هر سلول شبکه: YOLO برای هر سلول شبکه یک کلاس پیشبینی میکند، که این بدان معناست که ممکن است در مواردی که چندین شیء از انواع مختلف در یک سلول وجود دارند، کارایی خوبی نداشته باشد. این محدودیت میتواند بر دقت تشخیص شیء تأثیر بگذارد..
-
وضوح ثابت شبکه: YOLO از وضوح شبکه ثابت استفاده میکند، که محدودیتهای فضایی را بر آنچه مدل میتواند تشخیص دهد، تحمیل میکند. این میتواند منجر به مشکلاتی در تشخیص مجموعههای کوچک اشیا، مانند گله پرندگان، شود، مگر اینکه شبکه به دقت با مجموعه داده تنظیم شود.
-
دقت مکان یابی: YOLO تمایل دارد اشیا را با دقت نسبی پایینی مکان یابی کند. این به این دلیل است که آن بر روی آخرین نقشه ویژگی از پشته convolutional عمل میکند، که معمولاً دارای وضوح فضایی پایینترین و حاوی تنها سیگنالهای مکانی درشت است. در نتیجه، مکان یابی دقیق اشیا ممکن است چالشبرانگیز باشد.
با وجود این محدودیتها، معماری YOLO ساده برای پیادهسازی است.