引言

目标检测是计算机视觉的核心任务之一，旨在从图像中定位并识别多个目标物体。随着深度学习的发展，目标检测技术经历了从“两阶段检测”到“单阶段检测”，再到“基于Transformer的端到端检测”的演进。本文将系统梳理R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD和DETR的技术原理、演进逻辑及适用场景，帮助开发者深入理解目标检测的技术脉络。

R-CNN系列：两阶段检测的奠基之作

R-CNN：目标检测的革命性突破

R-CNN（Regions with CNN features）是目标检测领域首个基于深度学习的模型，由Ross Girshick等人于2014年提出。其核心思想是将目标检测分解为两个阶段：区域建议和分类。

1. 区域建议：使用选择性搜索（Selective Search）生成约2000个候选区域（Region Proposals）。
2. 特征提取：对每个候选区域进行裁剪和缩放，输入CNN（如AlexNet）提取特征。
3. 分类与回归：使用SVM分类器判断目标类别，并通过线性回归调整边界框位置。
   局限性：R-CNN需要为每个候选区域单独提取特征，计算冗余度高，训练和推理速度慢。

Fast R-CNN：加速特征提取

针对R-CNN的效率问题，Fast R-CNN（2015）提出了ROI Pooling层，将整个图像输入CNN提取特征，再通过ROI映射将候选区域投影到特征图上，统一尺寸后进行分类和回归。

1. 共享卷积：图像仅通过一次CNN提取特征，大幅减少计算量。
2. 多任务损失：联合优化分类损失和边界框回归损失。
   改进效果：Fast R-CNN的训练速度比R-CNN快9倍，推理速度快213倍。

Faster R-CNN：端到端的两阶段检测

Faster R-CNN（2015）进一步解决了区域建议的效率问题，引入区域建议网络（RPN），实现端到端的训练。

1. RPN结构：在共享特征图上滑动窗口，通过3×3卷积和两个1×1卷积分支（分类和回归）生成候选区域。
2. 锚框机制：使用不同尺度和长宽比的锚框（Anchors）覆盖目标，提升检测精度。
   代码示例（PyTorch实现RPN）：

   import torch.nn as nn
   class RPN(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        self.conv = nn.Conv2d(in_channels, 512, kernel_size=3, padding=1)
        self.cls_score = nn.Conv2d(512, 9, kernel_size=1)  # 3 scales × 3 ratios × 2 (obj/bg)
        self.bbox_pred = nn.Conv2d(512, 36, kernel_size=1)  # 4 coords × 9 anchors

   优势：Faster R-CNN将区域建议时间从2秒缩短至10ms，成为两阶段检测的标杆模型。

YOLO与SSD：单阶段检测的崛起

YOLO：实时检测的开创者

YOLO（You Only Look Once）系列（2016-2020）将目标检测视为回归问题，直接预测边界框和类别概率。

1. 单阶段设计：将图像划分为S×S网格，每个网格预测B个边界框和C个类别概率。
2. 损失函数：联合优化定位损失（MSE）和分类损失（交叉熵）。
   演进版本：

• YOLOv1：基础版本，速度达45FPS，但小目标检测差。
• YOLOv2（YOLO9000）：引入锚框和多尺度训练。
• YOLOv3：使用Darknet-53骨干网络，支持多尺度预测。
• YOLOv4/v5：优化数据增强和训练策略，平衡速度与精度。
  适用场景：YOLO系列适合实时应用（如视频监控、自动驾驶）。

SSD：多尺度特征融合

SSD（Single Shot MultiBox Detector，2016）通过多尺度特征图提升检测精度。

1. 多尺度检测：在Conv4_3、FC7、Conv6_2等6个特征图上预测不同尺度的目标。
2. 默认框（Default Boxes）：为每个特征图单元分配不同尺度和长宽比的默认框。
   优势：SSD在VOC2007数据集上达到74.3% mAP，速度为59FPS，兼顾速度与精度。

DETR：Transformer的端到端革命

DETR：基于Transformer的目标检测

DETR（Detection Transformer，2020）是首个将Transformer应用于目标检测的模型，彻底抛弃了锚框和NMS后处理。

1. 编码器-解码器结构：
   • 编码器：处理CNN提取的特征图，生成全局上下文表示。
   • 解码器：通过自注意力机制和目标查询（Object Queries）直接预测边界框和类别。
2. 集合预测损失：使用匈牙利算法匹配预测结果与真实标签，实现端到端训练。
   代码示例（DETR解码器）：

   from transformers import DetrForObjectDetection
   model = DetrForObjectDetection.from_pretrained('facebook/detr-resnet-50')
   outputs = model(images)  # images: [batch_size, 3, H, W]

   优势：DETR简化了检测流程，在小目标检测和复杂场景中表现优异。

DETR的变体与优化

• Deformable DETR：引入可变形注意力机制，提升对稀疏区域的关注。
• UP-DETR：通过无监督预训练提升模型泛化能力。
• Efficient DETR：优化计算效率，降低训练成本。

技术对比与选型建议

模型	类型	速度（FPS）	精度（mAP）	适用场景
Faster R-CNN	两阶段	7	36.7	高精度需求，如医学影像
YOLOv5	单阶段	140	44.8	实时检测，如自动驾驶
SSD	单阶段	59	31.2	嵌入式设备，如无人机
DETR	Transformer	25	42.0	复杂场景，如人群计数

选型建议：

• 精度优先：选择Faster R-CNN或DETR。
• 速度优先：选择YOLOv5或SSD。
• 资源受限：选择轻量级YOLO（如YOLOv5s）或MobileSSD。

结论

目标检测技术经历了从“两阶段”到“单阶段”，再到“Transformer端到端”的演进。R-CNN系列奠定了两阶段检测的基础，YOLO和SSD推动了实时检测的发展，而DETR则开启了基于Transformer的新范式。开发者应根据实际需求（精度、速度、资源）选择合适的模型，并关注最新研究（如动态网络、无监督学习）以优化检测性能。