理论与算法

本章深入介绍 YOLO-Toys 所服务模型的算法背景。理解这些基础知识有助于选择合适的模型、调整推理参数以及权衡性能取舍。

图 1. 模型家族全景

YOLO-Toys 服务于五个不同的模型家族，每个家族都有独特的架构假设、训练范式和推理特性。

章节结构

检测算法

目标检测是大多数 YOLO-Toys 用例的核心任务。本节涵盖：

• YOLO 家族演进 — 从 YOLOv1 的网格预测到 YOLOv8 的无锚框架构，追溯八年单阶段检测创新历程
• DETR 架构 — Transformer 如何实现无需锚框和 NMS 的端到端检测
• 检测范式对比 — 对比锚框式、无锚框式和基于 Transformer 的方法

视觉语言模型

开放词汇检测和图像理解模型：

• OWL-ViT — 基于对比预训练的文本条件检测
• Grounding DINO — 融合视觉语言特征的短语定位
• BLIP — 图像描述与视觉问答

训练背景

理解推理之前发生了什么：

• 损失函数 — 检测损失、对比损失及其梯度

为什么这些很重要

YOLO-Toys 抽象了模型家族的差异，但这种抽象不是免费的。理解底层架构有助于：

1. 选择正确的模型 — YOLOv8 擅长吞吐量；DETR 更适合密集场景；OWL-ViT 可检测新类别
2. 智能调参 — 置信度阈值、IoU 阈值和 NMS 设置在不同家族中有不同含义
3. 诊断失败 — 为什么 OWL-ViT 漏检了这个目标？为什么 DETR 在这张图上更慢？
4. 规划扩展 — 添加新模型家族需要什么？

阅读路径

运维人员

从 检测范式对比 开始获取概览，然后深入了解你部署的特定模型家族。

贡献者

阅读 YOLO 家族演进 和 DETR 架构 来理解 YOLO-Toys 标准化的架构模式。

研究人员

视觉语言模型 章节涵盖检测生态中最新的成员。这些模型代表了开放词汇感知的前沿。

接下来阅读

• YOLO 家族演进 了解经典检测谱系
• OWL-ViT 了解开放词汇检测
• 模型选择指南 获取实用决策树