目标检测基础
概述
目标检测是计算机视觉的核心任务，旨在同时定位和识别图像中的物体。该领域存在两条主要技术路线：一阶段检测（YOLO 系列）和二阶段检测 / 基于 Transformer 的端到端检测（DETR 系列）。
两大范式
一阶段检测：YOLO
- 核心思想：将检测定义为回归问题——单次前向传播直接从图像预测 bounding box 和类别
- 优势：极快（实时，45-155 FPS），适合实时场景
- 劣势：早期版本小物体定位误差大
- 代表：YOLO (2015) → YOLOv2~v10 → YOLOv11（持续演进至今）
- 来源：YOLO 目标检测
二阶段 / Transformer 端到端检测：DETR 家族
- DETR (2020)：首次将 Transformer 引入检测，端到端摒弃 NMS
- Deformable DETR：引入可变形注意力加速收敛
- DN-DETR：去噪训练加速收敛
- DINO (2022)：三项创新（对比式去噪训练 + 混合查询选择 + 双层前视），大幅提升性能（ResNet-50 COCO 51.3 AP）
- 来源：DINO DETR 目标检测
两条路线的对比
| 维度 | YOLO 系列 | DETR/DINO 系列 |
|---|---|---|
| 范式 | 一阶段回归 | Transformer 端到端 |
| 速度 | 极快（45-155 FPS） | 较慢（需多轮 decoder） |
| 精度 | 中高（持续提升） | 高（63.2 AP SwinL） |
| NMS | 早期版本需要 | 无需（端到端集合预测） |
| 小物体 | 早期版本差（后续改进） | 较好 |
| 扩展性 | CNN backbone | ViT/Swin backbone |
| 部署 | 轻量友好 | 需优化（可压缩） |
技术演进的关键分叉
- Anchor-based → Anchor-free：从预设 anchor 到直接预测，YOLO 早期 grid-based，DETR 用 learned queries
- NMS → End-to-End：DETR 的 Hungarian matching 消除了手工后处理
- CNN → Transformer：DETR 证明了 Transformer 在检测中的有效性
- 实时性追赶：RT-DETR 等后续工作试图让 DETR 类模型达到实时
开放问题
- DETR 类模型在边缘设备上的部署效率是否能赶上 YOLO？
- 统一的检测架构（一套模型同时覆盖 two-stage 的精度和 one-stage 的速度）是否可能？