Object Detection Architectures
目标检测架构是将像素转换为框和标签的网络设计。了解主干网络、颈部和检测头，以及主要的检测器系列。
目标检测架构是将图像转换为边界框、类别标签和置信度分数列表的网络设计。几乎所有现代检测器都由骨干网络、颈部和检测头组成；设计的主要差异在于如何生成候选框（例如通过区域提议、密集网格或学习得到的查询），以及如何去除重复预测（例如使用非极大值抑制 (NMS)或一对一匹配）。这些选择决定了检测器的准确率、速度，以及在边缘硬件上的部署难易度。目标检测指的是任务，而检测头是架构的一部分。
骨干网络、颈部和检测头#
骨干网络负责提取特征。它可以是 ResNet 或 CSPDarknet 这样的卷积神经网络，也可以是视觉 Transformer，通常会在 ImageNet 分类数据集上进行预训练。骨干网络会分阶段对图像下采样，因此随着网络加深，特征图的分辨率降低，语义信息增加。颈部通常是特征金字塔网络 (FPN)，并像 PANet 一样增加一条自底向上的路径，用于融合深层和浅层特征图，使每个输出尺度都同时包含细节和上下文信息。检测头会在每个尺度的每个位置预测边界框和类别分数，通常使用步幅为 8、16 和 32 的尺度，因此最精细的特征图用于检测小物体，最粗糙的特征图用于检测大物体。你可以从模型定义中看出真实检测器的这三个组成部分：
from ultralytics import YOLO
# 加载 YOLO26n，并按照模型 YAML 中的方式拆分其层
model = YOLO("yolo26n.pt")
layers = model.model.model
n_backbone = len(model.model.yaml["backbone"])
# 骨干网络提取特征，颈部融合尺度，最后一层是检测头
print("Backbone:", [type(m).__name__ for m in layers[:n_backbone]])
print("Neck:", [type(m).__name__ for m in layers[n_backbone:-1]])
print("Head:", type(layers[-1]).__name__, "at strides", model.model.stride.tolist())骨干网络列表显示了带步幅的 Conv 层和以 SPPF 池化层及 C2PSA 注意力模块结束的 C3k2 模块；颈部从上到下运行 Upsample、Concat 和 C3k2 层，再通过带步幅的 Conv、Concat 和 C3k2 层向上返回；Detect 检测头则在步幅为 8、16 和 32 的尺度上进行预测。
检测器类别#
- 两阶段检测器： 区域提议网络会提出数百个候选区域，第二个检测头再对每个区域进行分类和细化，例如 Faster R-CNN（2015）和 Mask R-CNN（2017）。
- 基于锚框的单阶段检测器： SSD（2016）、YOLOv2 至 YOLOv5，以及 RetinaNet（2017）会在一次前向处理中，预测每个网格单元中相对于预定义锚框的偏移量。
- 无锚框检测器： FCOS（2019）和 YOLOv8（2023）会预测一个点到边界框四条边的距离；CenterNet（2019）会将边界框中心预测为热力图峰值，并为每个中心预测宽度和高度；YOLOX（2021）则让 YOLO 系列重新采用无锚框预测，因此这些模型都不需要调优锚框。
- DETR 风格的 Transformer 检测器：DETR（2020）会解码一组固定数量的学习型目标查询，并将其与标注目标一对一匹配，因此输出无需 NMS；Deformable DETR 以少十倍的训练轮数取得更高准确率；RT-DETR则在 2023 年让这种设计实现了实时运行。
- 无 NMS 的 CNN 检测器： YOLOv10（2024）会在训练时同时使用一对一检测头和一对多检测头，并在推理时只运行一对一检测头，因此其边界框无需经过 NMS。
- 开放词汇检测器：Grounding DINO和 YOLO-World用文本嵌入取代固定分类层，因此可以检测推理时指定的类别。
选择架构#
COCO 上的平均精度均值（mAP）等基准可用于衡量准确率，但目标硬件和图像中的物体通常才是设计选择的决定因素。YOLO26是无锚框单阶段 CNN，包含两种类型的检测头：默认会对一对多分支应用 NMS，nms=False 会切换到一对一分支，其模型 YAML 文件还包含 P2 和 P6 变体，可增加步幅为 4 或 64 的输出。
