一.YOLO的缺点
1.YOLO 虽然能够达到实时的效果，但是其 mAP 与刚面提到的 state of art 的结果有很大的差距。
2.每个网格只预测一个物体，容易造成漏检
3.对于物体的尺度相对比较敏感，对于尺度变化较大的物体泛化能力较差
参考博客：YOLO v1~v3的历程：https://www.cnblogs.com/makefile/p/YOLOv3.html
二.SSD
针对 YOLO 中的这些不足，该论文提出的方法 SSD 在这两方面都有所改进，同时兼顾了 mAP 和实时性的要求。在满足实时性的条件下，接近 state of art 的结果。
对于输入图像大小为 300*300 在 VOC2007 test 上能够达到 58 帧每秒( Titan X 的 GPU )，72.1% 的 mAP。输入图像大小为 500 *500 , mAP 能够达到 75.1%。作者的思路就是Faster R-CNN+YOLO，利用YOLO的思路和Faster R-CNN的anchor box的思想。
参考博客：https://zhuanlan.zhihu.com/p/24954433