Object Detection Architectures

目标检测架构是用于识别和定位视觉数据中物品的神经网络的结构蓝图。在更广泛的计算机视觉 (CV)领域中，这些架构通过将原始像素数据处理为有意义的洞察，来定义机器如何“看”。与仅对图像进行标记的基础分类模型不同，目标检测架构旨在输出边界框以及它找到的每个不同对象的类标签和置信度得分。这种结构设计决定了模型的速度、准确性和计算效率，使其成为在选择用于实时推理或高精度分析的模型时至关重要的因素。

架构的核心组件#

虽然具体设计各不相同，但大多数现代架构都有三个基本组件：主干网络（backbone）、颈部网络（neck）和头部网络（head）。**主干网络（backbone）**充当主要的特征提取器。它通常是在像 ImageNet 这样的大型数据集上预训练的卷积神经网络 (CNN)，负责识别基本形状、边缘和纹理。主干网络的流行选择包括 ResNet 和 CSPDarknet。

**颈部网络（neck）**将主干网络连接到最终的输出层。它的作用是混合和组合来自主干网络不同阶段的特征，以确保模型能够检测出各种大小的对象——这一概念被称为多尺度特征融合。架构通常在这里利用特征金字塔网络 (FPN) 或路径聚合网络 (PANet) 来丰富传递给预测层的语义信息。最后，检测头（detection head）处理这些融合的特征，以预测每个对象的特定类别和坐标位置。

演变：两阶段与单阶段#

从历史上看，架构分为两大类。两阶段检测器，例如 R-CNN 家族，首先提出可能存在对象的感兴趣区域 (RoIs)，然后在第二步中对这些区域进行分类。虽然它们通常很准确，但对于边缘设备来说，其计算量往往过大。

相比之下，单阶段检测器将检测视为一个简单的回归问题，在单次传递中将图像像素直接映射到边界框坐标和类别概率。这种由 YOLO (You Only Look Once) 家族开创的方法通过实现实时性能彻底改变了行业。现代进展催生了诸如 YOLO26 之类的模型，它们不仅提供卓越的速度，还采用了端到端、无 NMS 的架构。通过消除对非极大值抑制 (NMS) 后处理的需求，这些较新的架构减少了延迟变异性，这对于安全关键系统至关重要。

实际应用#

架构的选择直接影响 AI 解决方案在各行各业的成功。

• **零售自动化：**在智能超市中，高效的单阶段架构可以实现自动化结账系统，即时识别传送带上或购物车中的产品，从而减少等待时间和人为错误。
• **医学诊断：**高精度架构用于医学图像分析，以检测 X 光或 MRI 扫描中的肿瘤等异常。在这里，架构保留细粒度细节的能力比原始处理速度更重要。

区分相关术语#

区分检测架构与类似的计算机视觉任务非常重要：

• 与图像分类的对比：图像分类架构（如 VGG 或 EfficientNet）为整个图像分配单个标签（例如“猫”）。它不会告诉你猫在哪里或者是否有多个猫，而这正是检测架构的主要功能。
• **与实例分割的对比：**检测是在对象周围画一个框，而实例分割则能识别每个对象的精确、像素级完美的轮廓（掩码）。分割架构通常是检测架构的扩展（例如，向检测头添加掩码分支）。

使用 Ultralytics 进行实现#

现代框架已经抽象了这些架构的复杂性，让你可以用最少的代码利用最先进的设计。使用 ultralytics 包，你可以加载预训练的 YOLO26 模型并立即运行推理。对于希望在云端管理数据集和训练自定义架构的团队来说，Ultralytics 平台简化了整个 MLOps 流程。

from ultralytics import YOLO

# Load the YOLO26n model (nano version for speed)
model = YOLO("yolo26n.pt")

# Run inference on an image source
# This uses the model's architecture to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results
results[0].show()