4、目标检测发展史：从传统方法到深度学习，R-CNN系列、YOLO系列、SSD简介

聊目标检测的发展史，其实就是在聊计算机视觉怎么「看懂」世界的过程。

我刚开始做视觉那会儿，用的还是传统方法。那时候做个检测，得先想好特征怎么设计，再琢磨分类器怎么训练。说实话，效果嘛……凑合能用，但离「实用」差得远。

后来深度学习来了，整个行业都变了。今天我就带你捋一捋这条发展线。

4.1 传统目标检测：手工特征的时代

在深度学习普及之前，目标检测主要靠三步走：

1. 区域选择：用滑动窗口在图像上扫一遍
2. 特征提取：手工设计特征，比如 HOG、SIFT、Haar
3. 分类器判断：用 SVM、Adaboost 等判断是不是目标

我记得最早接触的是 Viola-Jones 检测器，专门用来做人脸检测。它的核心是 Haar-like 特征 + 级联分类器。说白了，就是用一堆简单的矩形特征快速排除掉大部分非人脸区域。

后来 HOG（方向梯度直方图）火了，配合 SVM 做行人检测，效果比之前好不少。但问题也很明显——滑动窗口太慢了，而且手工特征对光照、遮挡、形变这些变化很敏感。

嗯，说白了就是「费力不讨好」。我当时做项目，调 HOG 参数调得头秃，最后效果也就那样。

4.2 R-CNN系列：深度学习检测的开端

2014年，R-CNN 横空出世。它把目标检测带入了深度学习时代。

4.2.1 R-CNN：区域提议 + CNN

R-CNN 的思路其实很直接：

1. 用 Selective Search 生成约2000个候选区域
2. 把每个候选区域缩放到固定尺寸
3. 用 CNN 提取特征
4. 用 SVM 分类，用回归器微调边框

效果确实比传统方法好一大截，在 PASCAL VOC 数据集上 mAP 从 30% 多直接干到了 58.5%。

但问题也很明显——太慢了。每张图要处理2000个候选区域，而且每个区域都要单独跑一遍 CNN。我试过，一张图要跑几十秒，根本没法用在实时场景。

4.2.2 Fast R-CNN：共享卷积计算

Fast R-CNN 解决了 R-CNN 的一个核心问题——重复计算。

它的做法是：整张图只跑一次 CNN，得到特征图。然后对每个候选区域，在特征图上做 RoI Pooling，提取固定大小的特征向量。

这样一来，速度提升了不少。训练也从多阶段变成了端到端。

但瓶颈还在——候选区域的生成（Selective Search）依然是 CPU 上的，拖慢了整体速度。

4.2.3 Faster R-CNN：区域提议网络

Faster R-CNN 是 R-CNN 系列的集大成者。它引入了一个叫 RPN（区域提议网络）的东西，把候选区域生成也放到了 GPU 上。

RPN 的工作原理：在特征图上滑动一个小窗口，每个位置预测 k 个锚框（anchor box），然后判断这些锚框里有没有目标，并微调边框。

这样一来，整个检测流程都跑在 GPU 上，速度大幅提升。一张图大概 0.2 秒，基本接近实时了。

4.3 YOLO系列：实时检测的标杆

YOLO 的出现，彻底改变了「实时检测」这个词的含义。

它的核心思想很简单——把检测当成回归问题来做。一张图进去，直接输出边界框和类别概率，一步到位。

4.3.1 YOLOv1：开创性的单阶段检测

YOLOv1 把图像分成 S×S 的网格，每个网格负责检测中心点落在它里面的目标。每个网格预测 B 个边界框和 C 个类别概率。

速度是真的快——在 Titan X 上能达到 45 FPS，轻量版甚至能到 155 FPS。

但精度嘛……比 Faster R-CNN 差一些。特别是对小目标和密集目标的检测，效果不太行。

4.3.2 YOLOv2/YOLO9000：更好、更强、更多类别

YOLOv2 做了很多改进：

• 用 Batch Normalization 替代 Dropout
• 用锚框（anchor box）来预测边界框
• 用 Darknet-19 作为骨干网络
• 多尺度训练，适应不同分辨率

YOLO9000 更厉害，它联合训练了检测数据集和分类数据集，能检测 9000 多种类别。虽然精度不是特别高，但这个思路很有启发性。

4.3.3 YOLOv3：多尺度检测

YOLOv3 引入了 FPN（特征金字塔网络）的思想，在三个不同尺度的特征图上做检测。这样一来，小目标检测能力大幅提升。

骨干网络换成了 Darknet-53，用了残差连接，网络更深但训练更容易。

说实话，YOLOv3 是我用得最多的版本。它在速度和精度之间取得了很好的平衡，部署起来也方便。

4.3.4 YOLOv4 及之后：工程优化的巅峰

YOLOv4 不是原作者做的，但它在工程优化上做到了极致。它把各种 tricks 都整合进来了：

• Mish 激活函数
• CIoU 损失函数
• Mosaic 数据增强
• 自对抗训练

之后的 YOLOv5、YOLOX、YOLOv8 等版本，更多是在工程实现和部署上做优化。比如 YOLOv5 用 PyTorch 实现，导出 ONNX 和 TensorRT 都很方便。

4.4 SSD：兼顾速度和精度

SSD（Single Shot MultiBox Detector）是另一个经典的单阶段检测器。它和 YOLO 差不多同时期出现，但思路不太一样。

SSD 的核心特点：

• 在多个不同尺度的特征图上做检测
• 每个位置用不同大小和长宽比的锚框
• 直接预测类别和边框偏移

SSD 的速度和 YOLO 差不多，但精度更高，特别是对小目标的检测。原因就在于它用了多尺度特征图——浅层特征图感受野小，适合检测小目标；深层特征图感受野大，适合检测大目标。

我记得在某个项目中，用 SSD 检测工业零件上的微小缺陷，效果比 YOLOv3 好不少。但 SSD 的训练调参比较麻烦，锚框的尺寸和长宽比需要根据数据集仔细设计。

4.5 发展脉络总结

回顾目标检测的发展史，其实就两条主线：

1. 两阶段检测器（R-CNN 系列）：先提候选区域，再分类回归。精度高，速度慢。
2. 单阶段检测器（YOLO、SSD）：一步到位。速度快，精度稍低（后来差距越来越小）。

现在的主流趋势是：

• Transformer 架构（如 DETR）开始挑战 CNN 的地位
• 端侧部署越来越受重视（轻量化模型）
• 多任务学习（检测 + 分割 + 姿态估计）

但不管怎么变，YOLO 系列在工业界的地位依然稳固。原因很简单——它够快、够稳、够好用。

好了，这一章就聊到这儿。下一章我们开始动手搭建环境，准备跑第一个检测模型。