目标检测一直是计算机视觉里最常见也最容易被低估的任务。说它常见是因为安防监控、自动驾驶、工业质检、遥感图像、医学影像和无人机场景里几乎都能看到它说它容易被低估是因为很多人以为目标检测只是“把框画出来”但真正落地时会发现模型精度、速度、显存、部署平台、误检漏检、小目标能力和后处理逻辑都会影响最终效果。本文不打算单纯罗列模型名字而是从实际使用角度聊一聊目标检测模型到底怎么发展过来的不同模型适合什么场景以及在做项目或论文实验时应该从哪些维度进行对比。1. 目标检测到底在解决什么问题图像分类只需要回答“这张图里有什么”而目标检测还要回答“它在哪里”。因此一个检测模型通常需要同时完成两件事一是判断目标类别例如人、车辆、猫、病灶、无人机、小船等二是预测目标位置通常用边界框表示。模型输出的不只是类别标签而是由类别、置信度和坐标组成的一组检测结果。这也是为什么目标检测比图像分类更复杂。分类任务只关心整体语义而检测任务必须兼顾局部区域、尺度变化、遮挡、密集分布和背景干扰。尤其是在小目标检测场景中目标本身只占几个像素模型稍微下采样几次关键特征就可能被冲掉。2. 目标检测模型的大致演进路线从整体思路来看目标检测模型大致经历了三个阶段两阶段检测器、一阶段检测器和端到端检测器。2.1 两阶段检测器精度优先代表是 Faster R-CNNFaster R-CNN 是经典两阶段检测器。它先通过 RPN 生成候选区域再对候选区域进行分类和边界框回归。相比更早的 R-CNN 和 Fast R-CNNFaster R-CNN 把候选框生成过程也纳入网络中提高了整体效率。原论文中提出的 Region Proposal Network 会与检测网络共享卷积特征从而减少候选区域生成的额外开销。两阶段检测器的优势是定位能力和检测精度通常比较稳定尤其适合目标边界要求较高、实时性要求不强的场景。例如医学影像病灶检测、工业缺陷检测和部分遥感目标检测任务中Faster R-CNN 仍然有参考价值。但它的问题也很明显流程相对复杂推理速度一般不如 YOLO 系列部署到边缘设备时成本较高。因此如果项目对 FPS、延迟和设备算力比较敏感两阶段模型往往不是首选。2.2 一阶段检测器速度优先YOLO 系列成为主流YOLO 系列的核心思想是把目标检测看成一个直接回归问题输入一张图网络一次前向传播就输出目标类别和位置。相比两阶段方法YOLO 的流程更简单速度更快更适合实时检测。从 YOLOv5、YOLOv8 到 YOLOv10、YOLO11、YOLO12YOLO 系列一直在围绕三个方向优化更强的特征提取能力、更轻量的网络结构和更友好的工程部署。Ultralytics 官方文档显示YOLO11 不只支持目标检测还支持实例分割、图像分类、姿态估计和旋转框检测等多种视觉任务这也是它在工程环境中受欢迎的重要原因。YOLOv10 的一个重要变化是尝试摆脱传统 NMS 后处理。它通过 consistent dual assignments 进行 NMS-free 训练希望减少后处理带来的延迟使模型更接近真正的端到端实时检测。YOLO12 则把注意力机制放到了更核心的位置。其论文提出 attention-centric YOLO 框架目标是在保持实时推理速度的同时利用注意力机制提升建模能力。后续的 YOLOv13 进一步引入高阶关系建模思路论文中使用 Hypergraph-based Adaptive Correlation Enhancement 来增强跨位置和跨尺度特征关联。这个方向对密集目标和复杂场景有启发意义但在实际项目中是否采用还要看代码成熟度、部署链路和社区生态。2.3 Transformer 检测器从 DETR 到 RT-DETRDETR 把 Transformer 引入目标检测提出了一种更接近端到端的检测方式。传统检测器通常依赖 anchor、候选框或 NMS而 DETR 类模型希望通过集合预测的方式直接输出目标结果。不过原始 DETR 的训练收敛较慢对小目标也不算友好。后续的 Deformable DETR 通过稀疏采样和多尺度特征改进了这一问题尤其提升了小目标场景下的训练效率和检测效果。RT-DETR 是 Transformer 检测器走向实时化的代表。CVPR 2024 论文提出 Real-Time Detection Transformer并通过高效混合编码器等设计在保持端到端检测优势的同时提升速度。从工程角度看RT-DETR 的优势在于不依赖传统 NMS整体框架更简洁但它对训练配置、数据规模和部署环境的要求通常比 YOLO 更高。如果只是做常规工业检测或边缘部署YOLO 仍然更省心如果希望研究端到端检测机制RT-DETR 值得重点关注。3. 主流目标检测模型多维度对比下面这张表不追求某一个固定数据集上的绝对数值因为不同论文的训练策略、输入尺寸、数据增强和硬件环境都不一样直接比较 mAP 容易失真。这里更关注模型特性和使用场景。模型类型代表模型主要特点优势不足适合场景两阶段检测器Faster R-CNN先生成候选区域再分类和回归定位稳定精度较好速度较慢部署复杂医学影像、工业缺陷、精度优先任务传统一阶段检测器SSD、RetinaNet直接密集预测目标框速度较快结构清晰对小目标和密集目标不一定稳定入门实验、轻量级检测YOLO 系列YOLOv5、YOLOv8、YOLO11工程生态成熟训练部署方便速度快资料多部署链路完整不同版本差异较大论文复现需说明版本实时检测、工业部署、无人机、安防NMS-free YOLOYOLOv10、YOLO26弱化或去除传统 NMS 后处理延迟更低更接近端到端新版本部署经验需要积累边缘部署、低延迟应用Attention YOLOYOLO12引入更强注意力建模兼顾精度和速度部分场景需要重新验证复杂背景、遮挡、多尺度目标Transformer 检测器DETR、Deformable DETR、DINO集合预测端到端思想明显结构统一理论上更简洁训练成本较高调参要求高学术研究、大规模检测任务实时 TransformerRT-DETR、RT-DETRv2端到端实时检测不依赖传统 NMS速度有竞争力工程生态不如 YOLO 普及端到端检测研究、实时高精度任务4. 对比目标检测模型时不能只看 mAP很多文章喜欢直接贴一个 mAP 表格然后说某个模型更好。但实际项目中只看 mAP 很容易误判。4.1 Precision 和 RecallPrecision 反映预测出来的框有多少是真的。Precision 高说明误检少。Recall 反映真实目标有多少被找到了。Recall 高说明漏检少。这两个指标经常互相拉扯。比如在安防场景中漏检一个人可能比多报一个框更严重此时 Recall 更重要而在工业质检中如果误检会导致大量合格产品被剔除Precision 就更关键。4.2 mAP50 和 mAP50:95mAP50 是 IoU 阈值为 0.5 时的平均精度相对宽松。mAP50:95 是从 0.5 到 0.95 多个 IoU 阈值下的平均结果更严格也更能反映定位质量。有些模型 mAP50 很高但 mAP50:95 提升不明显说明它能大致找到目标但框的位置不够精确。论文实验中建议同时报告 Precision、Recall、mAP50 和 mAP50:95不要只展示最漂亮的一个指标。4.3 Params、FLOPs 和 FPSParams 是参数量反映模型大小FLOPs 是计算量反映理论计算复杂度FPS 或 latency 反映真实推理速度。这里有一个常见误区FLOPs 低不一定代表实际速度快。真实速度还和算子类型、显存访问、硬件平台、推理框架、batch size、TensorRT 或 ONNX 优化有关。因此做工程部署时最好在目标设备上实测而不是只引用论文中的速度。5. 小目标检测为什么难小目标检测是目标检测里很典型的难点尤其在无人机航拍、遥感图像、交通监控和医学图像中非常常见。小目标难主要有四个原因。第一目标像素少语义信息弱。一个大目标可能包含清晰轮廓、纹理和上下文而小目标可能只有几个亮点或小块区域。第二深层特征图分辨率低。CNN 网络不断下采样后小目标可能在高层特征图中只剩一个点甚至直接丢失。第三背景干扰强。小车辆、小船、小病灶和远处行人经常与背景纹理混在一起模型很容易把背景当目标或者把目标当背景。第四正负样本不均衡。小目标数量多、尺度变化大训练时容易被大目标主导导致模型对小目标学习不足。针对小目标检测常见改进方向包括增强浅层特征融合加入更高分辨率检测头改进注意力机制使用更适合小框的损失函数引入上下文信息优化数据增强策略以及在训练集中提高小目标样本质量。6. 目标检测模型怎么选如果是刚入门或做普通项目建议从 YOLOv8 或 YOLO11 开始。原因很简单资料多训练方便部署链路成熟遇到问题更容易解决。YOLO11 官方文档也明确提供了目标检测、分割、姿态估计等多任务支持这对实际项目非常友好。如果项目强调低延迟可以关注 YOLOv10 或 YOLO26 这类 NMS-free 方向。YOLOv10 已经明确将减少 NMS 后处理延迟作为核心目标之一YOLO26 官方文档也把端到端 NMS-free 推理和边缘部署作为重要特性。如果是论文研究并且想体现模型创新可以考虑从注意力机制、多尺度特征融合、小目标损失函数、端到端检测、轻量化部署几个方向切入。YOLO12 和 YOLOv13 的思路就分别体现了注意力建模和高阶关系建模这两个方向。如果更关注端到端检测机制可以研究 RT-DETR。它相比传统 DETR 更强调实时性也比原始 DETR 更接近工程应用。RT-DETR 论文提出的高效混合编码器核心目的就是在多尺度特征处理时兼顾速度和精度。7. 我个人更推荐的实验对比方式如果写论文或做项目报告不建议只拿两个模型对比。比较合理的方式是分层选择模型第一类是经典基线比如 Faster R-CNN用来代表两阶段检测器。第二类是工程主流模型比如 YOLOv5、YOLOv8、YOLO11用来代表成熟一阶段检测器。第三类是较新的实时模型比如 YOLOv10、YOLO12、RT-DETR用来体现近几年模型发展的趋势。第四类是轻量模型比如 YOLO-nano、YOLO-small 或 MobileNet 系列检测器用来验证部署友好性。这样做的好处是实验对比不会显得单薄。即使你的模型没有在所有指标上第一也可以从速度、参数量、小目标 Recall、mAP50:95 或部署成本等角度说明优势。推荐表格字段如下ModelPrecisionRecallmAP50mAP50:95ParamsFLOPsFPSFaster R-CNN-------YOLOv5s-------YOLOv8s-------YOLO11s-------YOLOv10s-------RT-DETR-R18-------Ours-------如果是小目标检测任务还可以单独增加 APS 或 small-object Recall。因为普通 mAP 容易被中大目标拉高不能完全反映小目标检测能力。8. 工程落地时更应该关注什么模型能跑起来只是第一步真正落地还要考虑以下几个问题。第一数据质量比模型版本更重要。标注不一致、漏标严重、类别边界模糊时换再新的模型也很难有稳定提升。第二训练集和测试集必须按真实场景划分。比如无人机场景中不能让同一段视频的相邻帧同时出现在训练集和测试集里否则结果会虚高。第三部署平台要提前确定。服务器 GPU、Jetson、国产边缘盒子、手机端和浏览器端的模型选择完全不同。论文里跑得快不代表部署后也快。第四后处理参数要单独调。置信度阈值和 NMS 阈值会直接影响 Precision 和 Recall。如果项目更怕漏检就要适当降低置信度阈值如果项目更怕误检就要提高阈值或加强筛选策略。第五模型压缩不能只看体积。剪枝、量化、蒸馏都可能带来精度下降尤其是小目标任务中过度压缩可能会让小目标 Recall 明显下降。9. 总结目标检测模型没有绝对最优只有更适合当前任务的选择。如果追求稳定和易部署YOLOv8、YOLO11 仍然是非常稳妥的选择如果追求低延迟和端到端推理可以关注 YOLOv10、YOLO26 这类 NMS-free 方向如果研究重点是模型结构创新YOLO12、YOLOv13 和 RT-DETR 都提供了值得借鉴的思路如果任务更强调定位精度而不追求实时性Faster R-CNN 这类两阶段检测器仍然有参考价值。做目标检测时最重要的不是盲目追新而是先弄清楚自己的任务目标大还是小场景简单还是复杂更怕误检还是漏检部署在服务器还是边缘设备只有把这些问题想清楚模型选择和实验设计才不会跑偏。目标检测的核心不只是把框画出来而是在精度、速度和部署成本之间找到一个真正能用的平衡点。
