目标检测学习路线与模型选型指南（工控/嵌入式/机械臂场景）
大家好，我是黒漂技术佬。前三篇把环境、预处理、数据集都聊完了，今天来点宏观的——目标检测这么多模型，到底该学哪个、该用哪个？
这个问题我被问过不下五十次。工控老哥说要稳、嵌入式老哥说要小、机械臂老哥说要快。需求不同，答案完全不同。所以这篇不给你"一招鲜"的标准答案，而是帮你建立选型框架，以后遇到新场景自己能判断。
一、算法发展脉络：从两阶段到 Anchor-Free
了解发展史不是为了装逼，是为了理解每种模型的基因——知道它擅长什么、不擅长什么。
第一阶段：两阶段检测器（2014-2016）
代表模型：R-CNN → Fast R-CNN → Faster R-CNN
两阶段的意思是分两步走：第一步生成候选区域（Region Proposal），第二步对每个候选区域做分类和回归。就像相亲——先海选几个候选人，再逐一深入了解。
- 优点：精度高，小物体检测效果好
- 缺点：慢。Faster R-CNN 在 V100 上也才 ~7 FPS，上嵌入式设备基本不现实
- 适合场景：对精度要求极高、对速度没严格限制的场景（比如离线图像分析）
一个关键创新是 RPN（Region Proposal Network），它让候选区域生成也用神经网络来做，实现了端到端训练。这个思想影响了后续所有检测器。
第二阶段：单阶段检测器（2016-2020）
代表模型：YOLO、SSD、RetinaNet
单阶段就是一步到位——输入图片，直接输出检测框和类别，省去了候选区域生成这一步。
SSD（Single Shot MultiBox Detector）在多个尺度的特征图上做检测，兼顾了不同大小的物体。优点是快，缺点是对小物体不太友好。
YOLO（You Only Look Once）直接把检测建模为回归问题，在特征图上划分网格，每个网格预测固定数量的框。YOLO 的设计哲学就是"够用就好"——不追求最高精度，但一定要快、要简单。
一个有趣的细节：两阶段方法精度高，单阶段方法普遍精度低一截，直到 RetinaNet 提出 Focal Loss 解决了正负样本不平衡问题。Focal Loss 的核心思想是：让模型少关注那些已经预测得很好的简单样本，多关注难样本。
第三阶段：Anchor-Free + Transformer（2020-至今）
Anchor（锚框）是预先设定的一组不同尺寸和比例的参考框，模型在这些锚框的基础上做微调。但锚框的设计依赖人工经验，而且数量巨大（一张图上可能有几万个），计算量浪费严重。
Anchor-Free 方法直接预测关键点或中心点，不再需要预设锚框。代表有 CenterNet、FCOS、YOLOX。
Transformer 的冲击就更大了。DETR（Detection Transformer） 把检测变成一个集合预测问题，用 Transformer 编码器-解码器结构替代了大量手工设计的组件。虽然初期训练慢，但架构简洁优雅。
二、主流模型能力对比
| 模型 | mAP(COCO) | FPS(V100) | 参数量 | 特点 |
|---|---|---|---|---|
| Faster R-CNN | ~37% | ~7 | ~41M | 精度高，速度慢 |
| SSD | ~29% | ~46 | ~24M | 速度快，小物体弱 |
| YOLOv5s | ~37% | ~120 | ~7M | 速度精度均衡 |
| YOLOv8n | ~37% | ~200+ | ~3M | 极小极快 |
| EfficientDet-D0 | ~34% | ~30 | ~4M | 综合效率好 |
| RT-DETR | ~53% | ~74 | ~32M | 基于 Transformer |
| YOLOv11n | ~39% | ~200+ | ~2.6M | 最新轻量 SOTA |
数据仅供参考，不同评测环境结果不同。关键看趋势，不是绝对值。
可以看到，YOLO 系列在速度-精度平衡上做到了极致，尤其是 nano/small 版本，参数量仅几百万，FPS 却能跑到 200 以上。这也是为什么它成了工业界事实标准。
三、不同场景的选型建议
工控场景：稳定性优先
典型应用：流水线零件检测、PCB 缺陷检测、包装盒印刷质量检测。
工控环境的特点：光线可控、视角固定、物体类别少但样本量足。工业相机拍出来的图质量稳定，不像户外那样光照乱变。
选型策略：精度 > 速度。一条流水线每秒过 2 个零件，20 FPS 和 50 FPS 区别不大。但漏掉一个缺陷零件可能造成重大损失。
推荐：Faster R-CNN 做打底方案，追求精度；YOLOv5m/l 做速度优化版。如果缺陷种类多且大小不一，RetinaNet 的 Focal Loss 对长尾类别友好。
嵌入式场景：轻量化和速度优先（RK 平台）
典型应用：无人售货柜、智能门禁、手持检测设备。
嵌入式设备（如瑞芯微 RK3588、RV1126、地平线 X3）的算力只有桌面 GPU 的几十分之一。一张 NVIDIA RTX 3060 有 13 TFLOPS 算力，而 RK3588 的 NPU 只有 6 TOPS（注意单位都不一样，TFLOPS vs TOPS，差了三个数量级）。
选型策略：能跑 > 能准。模型太大连推理都跑不动，精度再高也是白搭。
推荐路径：
- YOLOv5n 或 YOLOv8n，在 PC 上训练，用 ONNX 导出，再通过 RKNN-Toolkit 转换成 RKNN 格式部署
- 量化是必须的：FP32 → INT8 量化，精度损失 1%
2%，速度提升 34 倍 - 如果 INT8 量化后精度不够，用 YOLOv3-tiny 做降级方案——虽然精度低一点，但在嵌入式平台上优化最成熟
一个真实的经验：在 RK3588 上跑 YOLOv8n，INT8 量化后约 25 FPS，完全够无人售货柜用了。但如果你不量化，FP32 直跑可能只有 3~5 FPS，跟幻灯片似的。
机械臂场景：精度和实时性平衡
典型应用：视觉引导抓取、分拣机器人、焊接定位。
机械臂对检测的需求很特殊：既要准（抓不准就掉了），又要快（机械臂一直在动，延迟大了位置就偏了）。而且通常还需要物体位姿，不是简单的框能解决的。
选型策略：精度和速度都要，可能还要分割。
推荐：
- 抓取检测：YOLOv8s/m 做物体定位，30+ FPS 满足实时控制需求
- 位姿估计：需要结合关键点检测或 6D 姿态估计网络，YOLOv8-pose 是不错的起点
- 如果抓的是各种形状不规则的工件，可以考虑 Mask R-CNN 做实例分割，配合深度相机计算精确的抓取点
四、学习路线建议：从 YOLO 入手
第一步：跑通 YOLOv8（1~2 周）
- 用 YOLOv8 官方代码训练自己的数据集（哪怕只标注 100 张图）
- 目的不是学知识，是建立信心——看到模型真的能检出物体，你就有动力往下走了
- 调调超参数，看看 lr、batch_size、epoch 对结果的影响
第二步：理解原理（2~4 周）
- 阅读 YOLOv1 论文，弄懂 Grid Cell 和 Bounding Box 回归
- 再读 YOLOv3，理解多尺度检测和 FPN（特征金字塔）
- 重点吃透 损失函数：坐标损失、置信度损失、分类损失各干各的
第三步：横向拓展（1~2 个月）
- 读 Faster R-CNN 论文，理解 RPN 和 ROI Pooling
- 读 SSD 论文，理解多尺度默认框
- 读 DETR 论文，感受一下 Transformer 是怎么做检测的
第四步：深入实战
- 部署模型到目标平台（嵌入式、工控机）
- 处理真实场景问题：模型过拟合怎么办、推理速度不够怎么办、新品类上线怎么快速适配
学习原则：每个阶段先动手再动脑。看完论文跑代码，跑完代码再看论文，这么反复两三轮，理解会完全不一样。一开始死磕论文理论，很容易从入门到放弃。
这个领域发展快，但核心思想没变——卷积提取特征、分类定位两步走。把基础打扎实，新模型出来无非是换了个马甲。
写到这里，入门系列四篇完结。从搭环境到选模型，该说的都说了。后面就是动手干——祝你的第一个检测模型早日跑通。
