企业官网建设流程全解析

去年年底我帮几个师弟师妹改毕业设计开题报告，发现了一个共性问题：大家一上来就奔着 YOLO 去，问为什么选它，回答基本是“因为大家都在用”。但问到 YOLO 和 Faster R-CNN 的本质区别是什么，mAP 和 AP50 的差异在哪里，小目标检测为什么是老大难，大多数人是懵的。目标检测入门最缺的不是代码，而是一张完整的地图——这个领域有哪些流派，每篇经典论文解决了什么问题，算法之间到底是怎么对比的。这篇文章就是那张地图，也是我这个系列笔记的序章，会长期更新。

适合谁看？两类人。第一类是刚接触目标检测的学生，比如正在做本科毕设、研究生开题，需要快速建立知识框架；第二类是工作中要选型的工程师，比如需要给公司项目挑一个能跑在嵌入式设备上的检测模型，看完你至少知道该往哪个方向查论文、跑实验。文章不涉及具体代码，只讲清楚概念、论文脉络和评价方式，这些反而是后面看懂代码、调参的基础。

1. 目标检测任务的核心定义与类别划分

1.1 目标检测到底解决什么问题

目标检测本质上是一个复合任务：给定一张图像，模型要同时回答两个问题——图像里有什么物体（分类），这些物体分别在哪里（定位）。分类好理解，就是判断物体是猫还是狗、是汽车还是行人。定位则需要输出一个尽可能紧贴物体的矩形框，也就是边界框（Bounding Box），通常用四个坐标值表示，比如中心点坐标加宽高，或者左上角和右下角坐标。

这么说可能有点抽象，拿人脸识别来对比。人脸识别是人脸检测加特征提取加比对的全流程，其中第一步人脸检测就是典型的目标检测任务。再比如自动驾驶中的车辆、行人、红绿灯识别，安防监控中的异常行为发现，工业质检中的产品缺陷定位，这些场景的第一环都是目标检测。你可以把目标检测理解为计算机视觉的“地基”任务之一，很多更复杂的任务，比如实例分割、姿态估计、多目标跟踪，都要先依赖检测结果才能继续做。

目标检测的难点在哪里？我自己的体会是三个字：多、变、杂。“多”是指图像中可能同时出现大量不同类别的物体，模型需要一一找出并区分；“变”是指物体本身存在姿态、角度、光照、遮挡、形变等多种变化，比如同一只猫，趴着和跳起来的视觉差异有时比猫和狗还大；“杂”是指背景干扰严重，物体可能和背景颜色相近，或者目标太小、太密集。这些因素叠加起来，让目标检测比纯分类任务难了一个量级。

1.2 两阶段与一阶段：两条路线的本质区别

目标检测算法发展至今，最经典、也最常被提及的划分方式是按“是否显式提取候选区域”分为两阶段（Two-stage）和一阶段（One-stage）。

两阶段方法的代表是 R-CNN 家族，包括 R-CNN、Fast R-CNN、Faster R-CNN 以及后续的 Cascade R-CNN。这类方法的第一阶段是生成一组可能包含物体的候选区域（Region Proposal），第二阶段再对每个候选区域做精细的分类和回归。你可以把它类比成“先划重点，再精读”：第一步先根据颜色、纹理、边缘等底层特征，把图中大概可能是物体的区域圈出来，第二步才对每个圈出来的区域用深度网络仔细判断里面是什么、框怎么调准。好处是精度高，因为每个候选区域都被单独“审视”过；坏处是速度慢，两阶段的计算开销天然比一阶段大。

一阶段方法的代表是 YOLO 系列和 SSD 系列。这类方法跳过了候选区域提取，直接在整张图上密集采样大量预设框，一次性输出每个框的类别概率和位置修正。类比来说就是“扫一眼全图，直接下判断”。由于没有了候选区域这一步，一阶段方法的速度优势非常明显，但早期的一阶段方法（比如第一代 YOLO）精度偏低，主要问题在于正负样本极度不均衡——一张图上可能采样了几万个预设框，真正包含物体的只有几十个，模型很容易被 overwhelming 的负样本带偏。后来 RetinaNet 提出的 Focal Loss 专门解决这个问题，才让一阶段方法的精度追平甚至超过了同期两阶段方法。

这里要说一个容易混淆的点。现在很多人听到 YOLO、SSD，会以为一阶段是“新”方法，两阶段是“老”方法。其实两阶段方法也在持续发展，比如近几年基于 Transformer 的两阶段方法在精度上仍然有优势，对比两个路线的核心价值不在新旧，而在于它们对“精度和速度如何取舍”这个根本问题给出了不同的答案。

1.3 Anchor-based 与 Anchor-free：预设框策略的两种解题思路

除了两阶段和一阶段，还有一个切入点也相当重要：Anchor 用不用、怎么用。这也是很多入门教程一笔带过但面试和选型又经常问起的地方。

Anchor 可以理解为一组事先定义好的、不同尺寸和长宽比的矩形框。Anchor-based 方法，比如 Faster R-CNN、SSD、YOLOv2/v3，会在这组预设框的基础上做回归修正。预设框的设计相当于给模型提供了“先验知识”，但缺点也很明显：需要精心设计 Anchor 的尺寸、数量和长宽比，而且 Anchor 是数据相关的，在自动驾驶的行人数据集上调好的 Anchor，换个俯视视角的工业质检数据集可能就不太行。

Anchor-free 方法则不再依赖预设框，而是直接预测物体的关键点或者中心点，再回归其到边界框四条边的距离。代表工作是 CornerNet、CenterNet 和 FCOS。这类方法的优势在于简化了超参数设计，训练时不需要处理 Anchor 匹配的逻辑，泛化能力也更好一些。我第一次用 FCOS 的时候最直观的感受是：训练过程干净了很多，不用再纠结 Anchor scale 和 ratio 设置合不合理。

不过话说回来，Anchor-free 并不天然碾压 Anchor-based。Anchor-based 在密集小目标场景下仍然有它的优势，比如 YOLOv3 的多尺度 Anchor 设计至今仍有启发意义。现在很多新模型其实是混合路线，比如 YOLOv8 就同时用到了 Anchor-free 的 head 和一些类似 Anchor 的匹配策略。初学者没必要把这个问题当成“二选一”，更重要的是理解预设框机制，因为它是理解匹配策略、NMS、mAP 计算的基础。

1.4 按任务难度和场景拆解：小目标、开放词汇与三维目标检测

如果按应用场景和任务难度再细分，目标检测还有几个值得单列的方向，这些也是近期研究的热点。

第一是小目标检测。小目标的定义通常是尺寸小于 32×32 像素，或者占整张图像面积的比例很小。小目标难检测的核心原因是特征太少——在深层特征图上，小目标可能只对应几个像素点，信息被背景淹没。热词里有多条和小目标相关，这个方向现阶段的主要思路包括：特征金字塔（如 FPN）、超分辨率、基于 Transformer 的全局注意力，以及专门针对小目标的数据增强策略。做卫星图像分析、无人机巡检、监控摄像头远距离识别的话，小目标检测是绕不开的课题。

第二是开放词汇目标检测（Open-vocabulary Detection）。传统检测模型只能检测训练时见过的固定类别，比如模型在 COCO 上训练，就只能识别 80 个类别，新类别需要重新标注数据再训练。开放词汇检测的思路是借助大规模图文预训练模型（比如 CLIP），让检测器能够识别训练集中没出现过的、自然语言描述的任意物体。这项技术是纯算法层面的突破，应用价值非常大——以后你想检测一个自定义物体，可能不再需要专门采集几千张图做标注。

第三是三维目标检测。二维检测输出的是图像上的矩形框，三维检测则要输出物体在世界坐标系中的位置、大小和朝向，通常用 3D Bounding Box 表示，比如中心点坐标、长宽高和偏航角。输入可以是单目图像、双目图像，也可以是 LiDAR 点云，后者是目前自动驾驶感知的主流方案。三维目标检测的挑战在于深度估计误差、点云稀疏性、遮挡截断等问题，评价指标也复杂一些，比如 BEV（鸟瞰图）下的 AP 计算。

先把这个类别框架搭建好，接下来才能理解各个算法的坐标位置。下面进入论文梳理环节。

2. 必读论文与里程碑工作：按时间线精读

2.1 奠基期：从传统方法到深度学习的临界点

在深度学习大规模应用之前，目标检测的主流路线是基于手工特征加分类器。最经典的代表是 Viola-Jones 人脸检测器，以及 DPM（Deformable Parts Model，可变部件模型）。VJ 检测器用 Haar-like 特征加 AdaBoost 分类器，在 2001 年就能实现实时人脸检测，当时的思路非常有开创性，只是只能做人脸这种结构相对固定的对象。DPM 则把物体看成多个部件的组合，比如人体就是头、躯干、四肢的组合，对形变有一定鲁棒性，在 PASCAL VOC 数据集上统治了很多年。

这些早期工作了解一下背景就好，不推荐精读。真正划时代的是 2012 年 AlexNet 在 ImageNet 分类任务上的突破，以及 2013 年 Ross Girshick 将深度特征引入检测的萌芽。这里需要精读的第一篇论文是 2014 年的 R-CNN（Rich feature hierarchies for accurate object detection and semantic segmentation）。

R-CNN 的思路朴素但有效：先用选择性搜索在图像上提取约两千个候选区域，然后把每个候选区域缩放成固定尺寸，用 AlexNet 提取特征，最后用 SVM 分类器加边界框回归器输出结果。它的精度在当时远超传统方法，在 VOC 2012 上把 mAP 从 35.1% 提升到了 53.3%，但缺点也非常致命——每个候选区域都要单独过一遍网络，一张图要跑两千多次前向，速度慢到无法实用。

读 R-CNN 这篇论文的核心收获不是复现它，而是理解一个范式转移：检测任务被拆成了“提候选区域 + CNN 分类 + 框回归”三个可解耦的模块。这个拆解方式直接影响了后面所有的两阶段检测器。

2.2 两阶段繁荣期：Fast R-CNN 与 Faster R-CNN 的两次提速

R-CNN 太慢，问题出在“重复计算”。同一张图的两千个候选区域，有很大一部分是重叠的，却要各自过一遍完整网络。Fast R-CNN（2015）的核心改进是：把整张图一次性过 CNN，得到整张特征图，然后通过 ROI Pooling 层，把每个候选区域在特征图上对应的区域池化成固定尺寸，再送入全连接层做分类和回归。这样一来，卷积计算只做一次，速度比 R-CNN 提升了约 25 倍。同时，Fast R-CNN 把分类和回归放在同一个网络里联合训练，不再需要 SVM。

看 Fast R-CNN 的时候要重点理解 ROI Pooling 是怎么工作的。简单说，就是根据候选区域在原始图像上的坐标，映射到特征图上的对应区域，再把这个区域的尺寸划分为固定数量的网格，每个网格做一次最大池化。这个操作保证了不管候选区域原始尺寸多大，最后都能得到固定大小的特征，可以接全连接层。

Faster R-CNN（2015）是这个系列的集大成者。它的最大贡献是提出了 RPN（Region Proposal Network，区域提议网络），直接把候选区域提取做进了网络里，和 Fast R-CNN 的检测网络共享卷积特征。RPN 在特征图的每个位置预设若干 Anchor，输出这些 Anchor 是“前景还是背景”的分数以及粗略的位置修正，然后把这些提案交给后面的 ROI Pooling 做精细分类。从此，两阶段检测实现了端到端训练，速度和精度又上了一个台阶。直到今天，Faster R-CNN 的结构仍然是很多复杂检测系统的基础骨架。

读这两篇论文时，建议重点看 Faster R-CNN 中 Anchor 的匹配规则——正样本怎么定义、负样本怎么采、回归目标怎么归一化。这些逻辑是日后理解 YOLO、SSD、RetinaNet 等所有 Anchor-based 算法的钥匙。

2.3 一阶段狂飙期：YOLO 与 SSD 的路径分化

YOLO（You Only Look Once，2016）第一次真正实现了“看一眼就能检测”。它把检测当作一个回归问题：将图像分成 S×S 的网格，每个网格负责预测中心点落在该网格内的物体，输出 B 个边界框的坐标、置信度以及 C 个类别的概率。YOLOv1 的速度非常夸张，在 GPU 上可以跑到 45 FPS，快版本甚至能到 155 FPS，奠定了“实时检测”这个方向。

YOLOv1 的问题也很明显：每个网格只能预测固定数量的物体，对密集小目标几乎无效；网格划分太粗导致定位精度差；同一个网格内不同物体重叠的时候就容易漏检。但它的历史意义在于证明了检测可以不需要单独的候选区域阶段，整个网络非常简洁，后向传播路径短，速度上限高。

SSD（Single Shot MultiBox Detector，2016）走的是一条更贴近工程实践的路线。它吸收了 Faster R-CNN 的 Anchor 思想，在特征图上的每个位置铺设多种长宽比的预设框，同时在不同尺度的特征图上做预测——浅层特征图负责小目标，深层特征图负责大目标。这个多尺度预测的机制，让 SSD 在小目标上的表现明显好于同期的 YOLOv1，而且速度也很快。

YOLO 和 SSD 在当时的定位很有意思：YOLO 追求极致速度，SSD 则在速度和精度之间找平衡。读这两篇论文时，建议对比它们处理“正负样本不均衡”和“多尺度目标”两种问题的手段。YOLOv1 的做法其实是回避了 Anchor 这个概念，靠网格和物体中心点的强先验来简化问题；SSD 则继承了 Anchor 的密集采样逻辑，用大量预设框来覆盖目标“可能的长宽比和位置”，然后用难负样本挖掘（Hard Negative Mining）筛掉大多数简单负样本。

2.4 精度与速度的融合：FPN、RetinaNet 与 Focal Loss

前面提到一阶段方法精度上不去，核心瓶颈是极端的前景背景类别不平衡。这个问题在 2017 年被 RetinaNet 基本解决，解决工具就是 Focal Loss。

Focal Loss 的出发点很简单：标准交叉熵里，大量简单的负样本（背景框）贡献了绝大部分损失，这些损失虽然单个很小，但数量巨大，总梯度会被它们主导，导致模型不关注少数真正的正样本。Focal Loss 在交叉熵前乘上一个调制因子 (1-p_t)^γ，其中 p_t 是模型对该样本的置信度。如果一个样本已经被分得很对（p_t 很大），调制因子就很小，损失被压低；如果一个样本分错了（p_t 小），调制因子接近 1，损失保持原样。这样模型的训练重点就自然集中到了难样本上。

RetinaNet 的另一个贡献是引入了 FPN（Feature Pyramid Network，特征金字塔网络）。FPN 解决的问题是多尺度变化。深度网络里不同层级的特征语义不同：浅层特征分辨率高、细节多，适合检测小目标；深层特征语义强、感受野大，适合检测大目标。FPN 通过自顶向下的路径和横向连接，把深层的语义信息向前融合，让每一层特征都既保留细节又有语义。FPN 的提出者同时也是 Faster R-CNN 的作者何恺明团队，所以你会在大量后来的模型里看到 FPN 的影子，可以说它是这些年来最具实际影响力的结构设计之一。

RetinaNet 结合起来其实就是：FPN 做多尺度特征融合 + 两个子网络分别做分类和回归 + Focal Loss 解决样本不均衡。它的精度在当时超过了很多两阶段方法，同时保持了单阶段的速度，正式宣告一阶段方法在精度上也能“站起来”。读到这里，你已经掌握了目标检测经典时期的核心技术词汇：候选区域、Anchor、ROI Pooling、特征金字塔、Focal Loss。

2.5 Transformer 时代：DETR 到 RT-DETR 的效率优化

2020 年，Facebook AI（现在的 Meta AI）提出了 DETR（Detection Transformer），把目标检测重新定义为一个集合预测（Set Prediction）问题。DETR 的做法是：拿 CNN 提取特征，展平成序列，送入 Transformer 的 Encoder-Decoder，输出一组固定大小的预测，然后通过匈牙利算法（Hungarian Algorithm）做预测与真实框的匹配，匹配上的直接算损失，不需要 Anchor、不需要 NMS。

这个思路非常优雅，但 DETR 有一个实际训练的痛点：收敛极慢，训练 500 个 epoch 才能达到比较好的效果，因为注意力机制需要大量数据才能学习到“物体查询”究竟该关注图像的哪个位置。后续工作如 Deformable DETR 通过可变形注意力降低计算复杂度，只在参考点周围的稀疏位置上计算注意力，大幅加速收敛；DINO、DN-DETR 则从去噪训练、查询匹配策略等角度进一步优化。到了 RT-DETR（2023），百度团队在 DETR 结构中引入高效的混合编码器和不确定性最小化查询选择，让基于 Transformer 的检测器第一次真正跑进了实时范畴，在速度和精度上都比同期的 YOLO 系列有竞争力。

这里要打破一个常见误解：Transformer 检测器一定慢。早期确实慢，但经过 Deformable DETR、RT-DETR 等工作的迭代适配，效率问题已经基本解决。RT-DETR 的混合编码器会通过尺度内交互和跨尺度融合来处理多尺度特征，同时在解码器里引入 IoU-aware 查询选择，比传统 DETR 的“拿分类分数选查询”更合理，因为高分类分数不等于高定位精度。

读 Transformer 时代的论文，重点不再只是具体结构，而是“如何绕开 Anchor 和 NMS 的工程复杂度，用集合匹配统一训练目标”。这个思路对做研究的人很有启发，对纯工程落地的工程师来说，则可以重点关注 RT-DETR 这类兼顾精度与速度的成熟模型。

2.6 开放词汇与多模态微调：检测任务的边界扩展

传统检测的类别集合是封闭的，训练数据有多少类，模型就只能检测多少类。开放词汇检测要突破这个限制，让模型从语言描述中泛化识别新类别。

这条线有两个代表性思路。第一种是“从分类到检测”的迁移：用 CLIP 这类图文预训练模型提取文本和图像的语义向量，把检测头中的分类器替换成动态生成的文本嵌入，使模型在没有对应训练样本的情况下，也能通过文本描述来推理检测目标。第二种是“引入区域-文本对齐”：模型先通过区域提议找出候选框，再用对比学习让候选框对应的视觉特征和文本特征对齐。代表工作有 OWL-ViT、GLIP、Grounding DINO 等。

和多模态微调目标检测相关的方向也在这里汇聚。传统多模态（比如 RGB 图像加红外图像）做检测时，通常直接把多通道数据堆叠输入模型；现在的主流做法则是用预训练的跨模态模型作为 backbone，在特定下游数据上做层级化微调，让模型学习到“哪种模态在什么场景下更可靠”。火灾检测、自动驾驶夜间感知这类依赖多源数据的应用比较适合这类思路。

这个方向对初学者来说可能偏前沿，可以直接找 Grounding DINO 的开源代码跑一跑 demo，感受一下“用一句话检测图中任意物体”是什么体验。理解了这种能力边界，你才能对检测任务的可能性空间有正确的预期。

3. 算法对比：评价指标、数据集与选型建议

3.1 评价指标详解：从 IoU 到 mAP 的完整链路

不同算法之间的对比，必须建立在统一的评价指标之上。目标检测最核心的指标是 mAP（mean Average Precision），这里拆开讲清楚。

先讲 IoU（Intersection over Union，交并比）。IoU 衡量预测框和真实框的重合程度，计算方式是交集面积除以并集面积，取值在 0 到 1 之间，越大表示预测框越准。一张图里，模型输出的预测框不计其数，绝大多数都是重复和误检，判断“这个预测框算不算检对了”就靠 IoU 阈值。拿 COCO 的标准来说，IoU 阈值通常取 0.5、0.75 和范围 0.5 到 0.95 的均值。

再看 Precision（精确率）和 Recall（召回率）。精确率是“检出来的目标里有多少是真正正确的”，召回率是“所有真目标里有多少被成功找出来了”。这两个指标呈反比关系——阈值放宽，检得多，召回率高但误检也增多，精确率下降；阈值收紧，检得少但更准，精确率高而召回率下降。mAP 的本质就是求不同置信度阈值下 Precision-Recall 曲线下方的面积，综合衡量模型在不同严格程度下的综合表现。

举一个具体的计算例子帮你建立直觉。假设当前测试集一共有 5 个真实目标，模型输出了 7 个预测框，每个预测框都有一个置信度分数。把预测框按置信度从高到低排序，从最高分开始逐个计算累计的精确率和召回率，每计算一个点就画到 PR 曲线上。最后对曲线做积分，得到 AP。所有类别都算一遍 AP，取平均就是 mAP。

现在你在论文里看到的 COCO mAP 通常特指 AP@[0.5:0.95]，也就是从 IoU=0.5 到 IoU=0.95，每隔 0.05 取一次阈值，算 10 个 AP 再取平均。这个指标对框的定位精度要求非常苛刻，也解释了为什么有些模型在 VOC 数据集上 mAP 很高，到 COCO 上却表现平平——VOC 用的主要是 AP50，只要求 IoU 超过 0.5 就算对，而 COCO 的严格加权综合指标反映的是更全面的能力。

3.2 主流公开数据集盘点：VOC、COCO 与其他垂直数据集

讲完指标讲数据集。没有数据集，算法对比就无从谈起。目标检测领域最经典的数据集有两个：PASCAL VOC 和 Microsoft COCO。

PASCAL VOC（Visual Object Classes）诞生于 2005 到 2012 年，类别只有 20 类，包括人、动物、交通工具、室内物品等，图片规模在万级。它是早期检测算法刷分的主战场，R-CNN、Fast R-CNN 时代的论文大多以 VOC 作为主要评测基准。VOC 的数据量在今天看已经不算大，但作为快速验证模型思路的工具仍然很好用——训练时间短，迭代快，特别适合跑通流程。

COCO（Common Objects in Context）是目前学术界公认度最高的检测基准，包含 80 个类别，训练集约 11.8 万张图片。相比 VOC，COCO 的图片场景更复杂，目标尺度也更丰富，包含大量小目标和密集目标。现在绝大部分新算法的论文都会报 COCO 的 AP、AP50、AP75 以及按目标尺度分的 AP-S、AP-M、AP-L。COCO 就是检测界的“高考”，题目更难，区分度更好。

除了这两个通用数据集，垂直场景往往需要自己建数据集。热词里提到的“鸟类目标检测的数据集”、“yolo 泥石流 滑坡 目标检测数据集”都是垂直场景的需求。这类数据集一般没有现成的公共版本，通常需要从研究机构公开的原始影像、无人机采集数据或者网络公开图片中自行整理。建数据集有几个要点：一是类别定义要一致，比如“树木”到底是指整体树冠还是单棵树的轮廓，定义模糊会直接导致标注不一致；二是要尽量覆盖光照、角度、遮挡的多样性；三要严格划分训练集、验证集和测试集，避免同源图片分散在不同集合里导致评估虚高。

3.3 经典模型在 COCO 上的量化对比

下面用 COCO 验证集上的数据，给主流模型一个横向参照。注意数据来自模型原论文和公开 benchmark，因为不同论文的实现细节（比如训练 epoch、数据增强策略）有差异，这里的数值是一个相对位置参考，实际复现时会有几个点的浮动。

这个表直观地反映出几个趋势。同一时期，两阶段方法的 AP 一直领先一阶段一到两个点，但速度差了几倍；2017 年之后 Focal Loss 和 FPN 让一阶段方法在精度上追了上来；2023 年左右的模型相比 2015 年，在输入分辨率小幅提升的前提下，AP 从 21.9 涨到 54 以上，翻了接近一倍多。Transformer 路线在引入混合编码器后，速度也不再是劣势。技术迭代的速度确实非常快。

如果说看表的结论，那就是：追求精度上限，看两阶段或大模型变体（如 Cascade R-CNN、DINO）；追求实时和部署，看 YOLO 系和 RT-DETR；追求训练调试友好度，Anchor-free 的模型（FCOS、YOLOv8）会省不少心。

3.4 如何根据场景选择算法：一张实用决策表

算法没有绝对的好坏，只有合不合适。这里给出一张按应用场景的选型建议表，是我实际工作中比较常用的判断逻辑。

有一点必须提醒：算法选型不能只看基准数据，一定要在你自己的数据上用相同训练策略做小规模对比。COCO 上 AP 高的模型，在你的低光照工业场景下未必好用，因为数据分布差异会直接影响最终效果。我一般会选两三个候选模型，用同样的训练轮数和数据增强先跑一版初赛，谁在验证集上表现好就用谁，这样可以避免“迷信大模型”或者“信仰某个框架”。

4. 当前值得关注的扩展方向与工程化落地

4.1 小目标检测的难点与主流攻关思路

小目标检测是热词里反复出现的痛点。如果你做过无人机俯拍的地面目标检测，或者用监控摄像头识别远距离的人脸，就会明白小目标为什么难搞。首先，小目标在深层特征图上像素占比极少，经过多次下采样后可能只剩下几个像素，CNN 的感受野和特征粒度很难兼顾；其次，小目标框的 IoU 对像素误差非常敏感，预测框差几个像素，IoU 可能就从 0.7 掉到 0.3，导致回归训练时梯度不稳定。

主流攻关思路大致分四路。一是特征层面，FPN 及其变体通过多尺度融合保留浅层高分辨率信息，比如 BiFPN（EfficientDet 里用）增加了自顶向下和自底向上的双向融合，信息流动更充分。二是数据层面，切图策略和拼接增强是常用手段，把大图切成若干有重叠的小块，分别送入模型检测，最后合并结果，代价是推理时间成倍增加。三是损失函数层面，一些工作针对小目标设计特殊的回归损失，比如 Normalized Wasserstein Distance（NWD）用分布距离替代 IoU，对小目标的偏移更宽容，训练更稳定。四是超分辨率路线，先用生成模型把小目标放大再做检测，但实时性通常不理想。

工程上最见效的组合往往是“高分辨率输入 + 切图 + 多尺度训练 + 在自有数据上微调”。参数没那么多玄学，小目标对输入分辨率非常敏感，先把输入从 640 提到 1280，很多问题能缓解一半以上。代价是显存和延迟上升，如何取舍要结合硬件决定。

4.2 轻量化模型与边缘部署：不止是“更小”

热词里的“macs仅5mb的目标检测模型”很有意思，指一类计算量极低、模型体积很小的高效检测模型。这类模型的价值在于边缘设备、嵌入式设备、浏览器里跑实时检测的场景。代表包括 NanoDet、YOLOv5n/YOLOv8n、MobileNet-SSD 等，核心设计思路不只是“把网络变窄变浅”，而是重新设计了高效模块。

这里要普及一个概念：FLOPs（浮点运算次数）和 MACs（乘加运算次数）。一个乘加操作计为一次 MACs，约等于两次 FLOPs，所以论文里说“MACs only 5MB”的时候，往往指的是模型的计算量指标，而不是内存占用。工程选型时这两个指标都要盯着：模型文件大小影响加载速度和存储，MACs 影响吞吐量，而真正决定延迟的还有内存带宽、算子融合程度和推理框架的优化质量。

轻量化模型的另一个关键技巧是量化。FP32 模型转 INT8 后，体积缩小约四倍，推理速度提升明显，但精度会有一定损失。我的经验是，先训练一个精度较高的模型，再用代表性数据进行校准和量化，然后通过少量微调来补偿量化损失。这比直接训练一个小模型再量化效果要好不少。

4.3 三维目标检测、不确定学习与多模态微调的前沿交叉

三维目标检测是热词里技术门槛最高的方向之一，也是自动驾驶、机器人领域的热门需求。和二维检测相比，三维检测需要模型理解物体在真实空间中的尺度、朝向和位置。输入方面，LiDAR 点云是最常见的；纯视觉的三维检测（比如 BEVFormer、DETR3D）则直接处理多相机图像，优势在于成本低，但深度估计难度大。

这个方向的评价指标也比二维复杂：通常按距离分段计算 AP，比如汽车在 0-40 米、40-80 米、80 米以上分别统计；还要关注 BEV 视角下的中心点定位误差和朝向角误差，因为这些指标直接影响下游规划控制。

目标检测中的不确定学习则是一个相对小众但越来越受关注的方向。传统检测模型输出的是确定性的框和类别，但实际场景里存在很多歧义：遮挡严重的物体、模糊的运动对象、超出训练分布的异形物体，模型应该学会“承认自己不确定”。具体实现流派有贝叶斯神经网络、深度集成、证据深度学习等，常见做法是在检测头输出一个不确定性分数，用这个分数来过滤低质量预测或在决策时做风险控制，比如辅助驾驶里的安全告警。

多模态微调目标检测则是把视觉之外的模态纳入检测流程。红外加可见光的双光检测，可以在夜间和强逆光下互补；深度图加 RGB 的检测，可以直接利用几何信息帮助物体分割。这个方向框架上并不复杂，本质是“多模态预训练模型 + 下游检测头 + 领域数据微调”。因为数据采集成本高，多模态检测的公开数据集一直比纯视觉少，做一个能用的多模态模型，前期数据工程所占的工作量往往比模型设计更大。

4.4 目标检测本科毕业设计的选题与落地建议

热词里有“目标检测本科毕业设计”，这个定位我再熟悉不过。我的建议是选题不要贪大，以“能复现、能说明白、有机会改进”为原则。三个方向特别适合本科毕设：第一，特定场景的检测应用，比如交通标志识别、工地安全帽检测，数据可以从公开数据集或自行采集入手，重心放在数据处理和模型微调上；第二，轻量化模型在边缘设备上的部署，比如把 YOLOv8n 部署到树莓派或 Jetson Nano，这种题目把工程链路打通，出成果快；第三，特定难点的对比实验，比如在同一数据集上对比 Anchor-based 和 Anchor-free 方法在不同目标尺度上的差异，这类题目“研究性”更强，也方便写论文。

毕设常见的坑有三个。一是数据质量失控，标注不规范，类别不均衡，导致模型怎么训都上不去，最后觉得是自己的问题。其实大部分情况是数据和标注的问题，而不是模型问题。二是环境配置消耗太多时间，CUDA、PyTorch、mmdetection 版本不匹配是常态，建议一开始就固定版本组合，用 Docker 或者 conda 环境隔离，省得后面反复折腾。三是把“调参炼丹”当作全部，忽略了实验记录和对比分析。写毕业论文的时候你会发现，老师想看的不只是“我做出来了”，而是“我为什么这么做、做了什么实验来证明这样做合理”。所以从第一天开始，就要养成记录每次实验的模型配置、数据版本、验证集指标的习惯。

5. 学习路线规划与实操复盘建议

5.1 三个月入门目标检测的时间分配方案

目标检测的知识量不小，但用三个月入门是够用的。前提是方向和顺序正确。我建议按“基础概念 → 核心论文精读 → 代码复现 → 动手训练 → 衍生任务探索”五步走。

第一个月主攻基础。前两周把本文提到的概念挨个搞清楚：mAP 怎么算、NMS 的原理、Anchor 的匹配逻辑、各类损失函数在优化什么。后两周开始精读 Faster R-CNN 和 YOLOv3 的原文，不看代码，只看网络结构图和损失函数部分，配合公开的讲解资料一起看。这段时间不要碰训练，因为模型原理没理解就去调参，只会照猫画虎。

第二个月进入工程环节。选一个成熟的代码库，比如 mmdetection、ultralytics YOLO，先跑通训练和测试流程。建议选 YOLOv8 起步，因为文档最全、API 最友好。然后找一个小数据集（PASCAL VOC 就很合适），把训练流程完整跑三遍：第一遍用默认配置跑通，第二遍尝试改 backbone、训练轮数和学习率，第三遍加数据增强和迁移学习，观察这些改动对 mAP 的影响。这个月结束的时候，你应该能独立解释“为什么改了某个参数，评价指标出现了什么变化”。

第三个月往深度走。选择一个你感兴趣的细分方向深入研究，比如小目标检测、开放词汇检测或轻量化部署。读这个方向最新的 5 到 10 篇论文，选其中一两篇复现关键模块，尝试在已有代码里做一个小改进。这个阶段的目标不是出重大创新成果，而是完整经历一次“读论文 → 形成想法 → 实验验证 → 分析结果”的科研循环。这套经验比任何单一算法知识都值钱。

5.2 建立自己的实验记录习惯

目标检测实验变量非常多，模型结构、输入尺寸、优化器、学习率、数据增强、训练轮数、随机种子、预训练权重，每一个变量都可能让最终结果差几个点。如果实验记录不完整，复现不了自己的结果，这种挫败感我经历得太多了。

我自己实验记录会包含几项固定信息：实验编号、日期、代码 commit 号或配置文件名、数据集版本和切分方式、模型结构改动点、训练超参数、训练时长、GPU 型号和显存占用、验证集各项指标（mAP、AP50、AP75、AP-S、AP-M、AP-L 全记），以及备注栏。备注栏写实验结果和预期的差异、可能的原因假设、下一步想试的方向。三个月后再回看这些记录，它们就是你最宝贵的分析材料，能帮你快速定位问题。

工具方面，不需要很复杂。最简单的方案是每个实验建一个文本文件记录，配合 W&B 或 TensorBoard 记录指标曲线。有精力的话可以再写一个简单的训练脚本包装层，自动生成实验编号并把配置文件和日志归档。这里的关键不是工具多先进，而是“每次实验都有据可查”这个习惯本身。

5.3 避坑指南：初学者最常犯的错误

最后集中说几个我在带新人时反复看见的坑，希望能帮你少走弯路。

第一个坑是过早追求 SOTA。一上来就直接拿最复杂的模型，用最大分辨率去训练，结果显存爆掉，环境配置搞了好几天，信心先没了。正确做法是先在小数据集、低分辨率、小模型链条上跑通全流程，确认每个环节都理解到位了，再逐步升级配置。

第二个坑是忽视数据质量。模型训练效果不好，90% 的原因可以先怀疑数据。类别标注错、框歪、类别不均衡、训练集和测试集分布不一致，这些问题会迅速摧毁模型性能。遇到模型收敛后指标低，先可视化一批预测结果，看看是哪些图片错了、怎么错的，很多时候问题一眼就能看出来。

第三个坑是只刷指标不分析原因。做实验的目的不是把数值推得越高越好，而是搞清楚不同模块和超参数对结果的影响。比如你换了一个更强的主干网络，mAP 涨了两个点，要搞清楚是因为模型容量提升了，还是因为训练更平稳了，还是因为对某些类别特别有效。这种“为什么”层面的理解，才是你以后独立解决问题的底子。

第四个坑是忽略部署环境约束。很多人在服务器上跑模型，完全不考虑真实落地时的硬件条件。到了部署阶段才发现模型太大、速度太慢、算子不支持。正确的做法是选型之前先明确部署目标：什么设备、什么推理框架、多少毫秒的延迟预算、多少内存限制。这些约束会直接决定你选择哪条技术路线。

这是系列笔记的第一篇，主要把概念、论文和对比框架理清楚。后面我会按分支继续写，比如 YOLO 家族的完整演进、mmdetection 的代码导读、小目标检测的实战案例。如果你在看完这篇之后有自己的想法或者踩了坑，欢迎在评论区交流，我会把这个系列持续更新下去。