检测算法概览

目标检测是 YOLO-Toys 的基础任务。本节介绍三大检测范式：锚框式、无锚框式和基于 Transformer 的检测。

检测问题

给定一张图像，目标检测需要：

1. 定位：目标在哪里？（边界框）
2. 分类：目标是什么？（类别标签）

挑战在于每张图像中目标数量不固定，且目标可能出现在任意位置和尺度。

三大范式

锚框式检测

2014–2022 年的主流范式：

1. 在每个空间位置放置锚框（先验框）
2. 预测相对于锚框的偏移
3. 应用 NMS 去除重复

代表模型：YOLOv2–v5、Faster R-CNN、SSD、RetinaNet

优点：

• 优化空间成熟，易于理解
• 锚框设计得当则性能优异

缺点：

• 锚框设计对超参数敏感
• 大量重复预测
• 对异常长宽比效果差

无锚框式检测

将检测视为关键点估计：

1. 直接预测目标中心
2. 从中心特征回归尺寸
3. 无需锚框

代表模型：YOLOv8、CenterNet、FCOS

优点：

• 无锚框超参数
• 更少重复预测
• 对异常目标泛化更好

缺点：

• 较新，成熟度较低
• 训练可能不稳定

基于 Transformer 的检测

将检测视为集合预测：

1. 学习目标查询
2. 查询关注图像特征
3. 直接输出集合，无需 NMS

代表模型：DETR、Deformable DETR

优点：

• 端到端，无手工设计组件
• 架构清晰
• 适合研究

缺点：

• 收敛慢
• 小目标检测困难
• 计算成本较高

模型选择指南

[任务需求？]
│
├─ 实时边缘设备？ ──────▶ YOLOv8n（无锚框，最快）
│
├─ 生产 API？ ──────────▶ YOLOv8s/m（无锚框，均衡）
│
├─ 最高精度？ ──────────▶ YOLOv8l/x 或 DETR
│
├─ 密集场景？ ──────────▶ DETR（处理重叠）
│
├─ 新类别？ ────────────▶ OWL-ViT（开放词汇）
│
└─ 文本条件？ ──────────▶ OWL-ViT 或 Grounding DINO

接下来阅读

• YOLO 家族演进 了解锚框式/无锚框式历史
• DETR 架构 了解基于 Transformer 的检测
• 模型矩阵 获取具体规格