4. 模型选型：两阶段检测器（Faster R-CNN）、单阶段检测器（YOLO、SSD）、Transformer检测器（DETR）
选模型这事儿，说实话，没有绝对的「最好」。
我经常被学生问：「老师，到底该用哪个？」我的回答永远是——看你的场景。你是在做自动驾驶，还是工业质检？是追求实时性，还是精度优先？不同的任务，答案完全不同。
这一节，我把三类主流检测器掰开揉碎讲清楚。你听完就能自己判断了。
核心观点：没有万能模型，只有最适合你场景的模型。两阶段检测器精度高但慢，单阶段检测器快但精度略低，Transformer检测器正在崛起但还在成长期。
4.1 两阶段检测器：Faster R-CNN
两阶段检测器，说白了就是「先找候选框，再分类」。第一阶段生成可能包含物体的区域（Region Proposal），第二阶段对这些区域做精细分类和回归。
Faster R-CNN 的核心流程：
- 特征提取：用 backbone（如 ResNet、VGG）提取整张图的特征图。
- RPN（Region Proposal Network）：在特征图上滑动窗口，生成候选框（anchors），并判断哪些框可能包含物体。
- ROI Pooling：将候选框映射回特征图，并统一尺寸。
- 分类+回归：对每个候选框做分类和边框微调。
我个人习惯用 Faster R-CNN 做高精度场景，比如医疗影像、卫星图像。这些场景对速度要求不高，但漏检一个病灶或目标，代价很大。
我的经验：我在做工业缺陷检测时，用过 Faster R-CNN。当时产品表面缺陷非常小，YOLO 经常漏掉。换成 Faster R-CNN 后，召回率从 82% 提升到了 94%。代价是推理速度从 30fps 降到了 8fps。但产线对速度要求不高，所以完全能接受。
优点：
- 精度高，尤其对小目标友好
- 两阶段设计，误检率低
- 适合复杂场景（遮挡、密集目标）
缺点：
- 推理速度慢，难以实时
- 训练流程复杂，需要调参的地方多
- 部署成本高，对硬件要求高
4.2 单阶段检测器：YOLO 和 SSD
单阶段检测器，就是「一步到位」。没有候选框生成阶段，直接在特征图上预测类别和位置。
YOLO（You Only Look Once）
YOLO 的思想很暴力——把图像分成网格，每个网格负责预测中心点落在该网格内的物体。YOLO 系列从 v1 发展到 v8，每一代都有明显提升。
我最早用 YOLOv3 做行人检测，那时候觉得已经很快了。后来 YOLOv5 出来，精度和速度又上了一个台阶。现在 YOLOv8 已经支持实例分割和姿态估计了。
YOLO 的核心优势：速度快，结构简单，容易部署。适合实时场景，比如视频监控、自动驾驶、无人机巡检。
SSD（Single Shot MultiBox Detector）
SSD 和 YOLO 类似，但多了一个技巧——多尺度特征图。SSD 在不同尺度的特征图上做预测，小特征图检测大物体，大特征图检测小物体。这个设计让 SSD 对小目标的检测能力优于 YOLOv1/v2。
不过说实话，YOLO 系列后来也吸收了多尺度思想（比如 YOLOv3 的 FPN 结构），现在 SSD 用得越来越少了。我个人觉得，如果你刚入门，直接学 YOLO 系列就够了。
避坑指南：我曾经在移动端部署 YOLOv5，发现模型太大跑不动。后来换成 YOLOv5-nano（n 版本），参数量只有原来的 1/10，速度提升了 3 倍，精度只掉了 5 个点。所以，选模型时一定要考虑部署平台。
单阶段检测器对比：
| 模型 | 速度 | 精度 | 小目标 | 部署难度 |
|---|---|---|---|---|
| YOLOv5 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| YOLOv8 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
| SSD | ⭐⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐ | ⭐⭐⭐⭐ |
4.3 Transformer 检测器：DETR
DETR（Detection Transformer）是 2020 年 Facebook AI 提出的。它把目标检测当成一个集合预测问题，用 Transformer 的 encoder-decoder 结构直接输出检测结果。
你想想看，传统检测器需要 anchor、NMS 这些手工设计的组件。DETR 把这些全扔了，端到端训练，简洁得让人拍大腿。
DETR 的核心流程：
- CNN backbone：提取图像特征。
- Transformer encoder：对特征图做全局注意力建模。
- Transformer decoder：用一组可学习的 object queries 与 encoder 输出做交叉注意力，直接预测类别和边框。
- 二分图匹配：用匈牙利算法匹配预测结果和真实标签，计算损失。
DETR 的革命性：不需要 anchor、不需要 NMS、不需要手工设计候选框。整个流程干净得像数学公式。
但 DETR 也有明显缺点：
- 训练收敛慢：需要 500 个 epoch 才能达到较好效果，而 YOLO 可能 100 个 epoch 就够了。
- 小目标检测差：Transformer 的全局注意力对小目标不敏感。
- 推理速度慢：比 YOLO 慢一个数量级。
后来有了改进版本，比如 Deformable DETR，用可变形注意力代替全局注意力，收敛速度提升了 10 倍，小目标检测也好了很多。但说实话，目前工业界用得还不多，更多是学术研究。
我的建议：如果你做学术研究，或者对精度有极致要求且不 care 速度，可以试试 DETR。但如果是工业落地，我建议还是优先考虑 YOLO 或 Faster R-CNN。Transformer 检测器还在成长期，等它再成熟两年，可能会成为主流。
4.4 三类检测器对比总结
| 维度 | Faster R-CNN | YOLO / SSD | DETR |
|---|---|---|---|
| 检测方式 | 两阶段 | 单阶段 | 端到端集合预测 |
| 速度 | 慢（5-15fps） | 快（30-100fps） | 慢（10-20fps） |
| 精度 | 高 | 中高 | 高（但收敛慢） |
| 小目标 | 优秀 | 一般 | 差（改进后中等） |
| 部署难度 | 中等 | 简单 | 困难 |
| 适用场景 | 高精度、慢速 | 实时、轻量 | 学术、极致精度 |
4.5 知识体系图：检测器选型决策流程
上面这张图是我自己总结的选型决策流程。你从「你的检测任务是什么」出发，一路回答几个关键问题，就能找到最适合你的模型。
嗯，模型选型就讲到这里。记住一句话：没有最好的模型，只有最合适的模型。下一节我们开始讲数据准备，那才是真正决定模型上限的关键环节。
一句话总结：追求速度选 YOLO，追求精度选 Faster R-CNN，追求前沿选 DETR。但无论选哪个，数据质量永远是第一位的。