2024 年最受欢迎的 6 种物体检测模型｜YOLOv10、EfficientDet...

物体检测是计算机视觉和人工智能中的一个重要领域，它允许计算机程序通过识别图像或视频中的物体来“看到”周围环境。随着深度学习技术的进步，物体检测的准确性已达到前所未有的水平。现在有许多前沿的物体检测模型可供选择。本文将介绍和比较 2024 年几种流行的物体检测模型。无论您是计算机视觉或机器学习应用程序的开发人员，还是该领域的爱好者，本文都将帮助您为下一个项目选择合适的模型。

什么是物体检测模型？

对象检测模型是一类机器学习模型，旨在自动检测、定位和识别数字图像或视频中的特定对象。这些模型使用深度学习技术从数据中学习特征，并将学习到的模式应用于新的输入图像，以预测图像中存在哪些对象以及它们的确切位置和边界框。

常见的物体检测算法主要分为四类：

• 传统的图像处理技术，例如用于识别边界的边缘检测、将物体与背景分离的技术，以及使用方向梯度直方图（HOG）根据梯度方向显示形状和外观。
• 单阶段深度学习算法，例如 YOLO 模型、EfficientDet 和 RetinaNet。与其他类型的方法相比，这些方法速度更快，但通常需要更高的准确度。
• 两阶段深度学习算法，包括各种R-CNN模型，实现物体与背景的快速分离，速度更快，准确率更高。
• 基于 Transformer 的对象检测算法，例如 DETR，它利用自注意力机制来捕捉图像中的全局依赖关系，实现端到端的直接对象识别和定位。

物体检测模型将用于特征提取的卷积层与诸如区域提议网络 (RPN) 或基于锚点的机制之类的专用层相结合，以生成感兴趣物体的边界框。此外，这些模型通常采用非最大抑制 (NMS) 等最先进的技术来过滤掉冗余检测并提高整体检测准确率。

这些模型可以准确、高效地实时识别物体，成为自动驾驶、视频监控和物体识别等应用中不可或缺的工具。

为什么需要物体检测？

物体检测模型可应用于各个领域，包括：

• 自动驾驶汽车：物体检测系统可以识别行人、其他车辆、交通灯和城市道路上的障碍物，使自动驾驶汽车能够做出正确反应。
• 监控和安全：物体检测可用于机场或边境检查站，识别和追踪可疑行李或个人，协助安全人员预防和应对安全威胁。
• 机器人：工厂装配线上的物体检测使机器人能够识别不同的零件并正确地挑选和组装它们。
• 增强现实（AR）：在 AR 游戏中，物体检测可以识别周围环境中的物体并在其上叠加相应的虚拟游戏元素。
• 零售和库存管理：无人商店中的物体检测可以跟踪顾客所拿的物品，以便自动结账。
• 农业：使用无人机或机器人携带的摄像头进行物体检测可以识别农作物和杂草，指导精准施肥和除草。
• 医疗保健：在放射学图像分析中，物体检测可以自动识别和标记肺结节或肿瘤，协助医生诊断。
• 内容审核：社交媒体平台上的对象检测可以自动识别和阻止露骨或暴力的图像内容。
• 可访问性：移动应用程序中的物体检测可以识别周围环境并为视障人士提供语音导航。
• 研究分析：在生物研究中，物体检测可用于自动识别和计数细胞或其他微观结构。

Pokemon Go GIF - 在 GIPHY 上查找和分享

物体检测是实现任务自动化、增强安全性和提高视觉数据解读效率的关键要素。它在开发跨行业的智能系统方面发挥着至关重要的作用。因此，物体检测的准确性和处理速度是评估计算机视觉应用模型的重要指标。

市场上有各种开源和商业模型，以下是 2024 年值得关注的一些顶级物体检测模型。

2024 年最流行的 6 种物体检测模型

1. YOLO（YOLOv10）

YOLO（You Only Look Once）是计算机视觉和机器学习开发人员中流行的物体检测模型。YOLO 采用革命性的单阶段物体检测方法，将图像分成大小相等的网格，并分别预测每个网格中物体的存在及其概率。

YOLO 由 Joseph Redmon 开发，并由 Ultralytics 继续开发，它代表了一种将物体检测的速度和准确性相结合的开创性方法。YOLO 将物体检测视为回归问题，在一次评估中直接从输入图像中预测边界框和类别概率。

YOLO 的主要优点包括：

• 速度：通过避免传统物体检测器中使用的区域提议步骤，YOLO 速度非常快，并且可以实时处理图像。
• 端到端训练： YOLO 在整幅图像上进行训练，直接优化检测性能。
• 泛化： YOLO 学习对象的广义表示并对图像进行全局推理。

最初的 YOLOv1（2015）引入了这种统一的检测方法。后续版本在性能方面有所提升：

• YOLOv2（2016）引入了批量标准化、更高分辨率、锚框和其他增强功能。
• YOLOv3（2018）使用逻辑回归来提高小物体的性能。
• YOLOv4（2020）改进了主干网络、激活和损失函数。
• YOLOv5（2020）注重简单性和模块化，以便于部署。
• YOLOv6（2022）增加了新的数据增强、自监督方法和模型扩展。
• YOLOv7（2022）通过更好的骨干网络和训练技术带来了显著的准确性提升。
• YOLOv8（2023）使用了高效的视觉变换器和改进的缩放能力。
• YOLOv9（2024）引入了可编程梯度信息（PGI）的概念，以解决深度网络检测多目标所需的各种变化。
• YOLOv10（2024）从后处理和模型架构角度进一步完善了YOLO的性能效率边界。

Yolov8 任务目录

尽管 YOLOv3/v4 等早期版本曾经是最先进的，但 YOLOv7/v8 等最新版本在 MS COCO 等基准测试中取得了顶级成绩，同时保持了适合自动驾驶、监控和机器人等应用的实时速度。2024 年 2 月发布的 YOLOv9 引入了可编程梯度信息 (PGI) 和轻量级 GELAN 架构，显著提高了性能，适用于从轻量级到大型的各种模型。

今年2月YOLOv9发布后，YOLO（You Only Look Once）系列的接力棒就交给了中国清华大学的科研人员。

5月底，YOLOv10上线，研究团队针对YOLO提出了整体效率和准确率驱动的模型设计策略，从效率和准确率两个角度对YOLO各个组件进行优化，大幅降低计算成本并增强模型能力。

大量实验表明，YOLOv10 在各种模型规模上都达到了 SOTA 性能和效率。例如，YOLOv10-S 在 COCO 上的 AP 比 RT-DETR-R18 快 1.8 倍，同时显著减少了参数数量和 FLOP。与 YOLOv9-C 相比，YOLOv10-B 在保持相同性能的情况下，延迟降低了 46%，参数减少了 25%。

YOLO系列的简单性、快速性和持续的改进使其成为迄今为止使用最广泛、影响力最大的物体检测框架之一。

2. EfficientDet：

以其效率和准确性而闻名，利用 EfficientNet 作为骨干。

EfficientDet 是由 Google Brain 的研究人员于 2020 年提出的，是一种最先进的物体检测模型，它在模型大小和推理速度方面非常高效，同时实现了高精度。

EfficientDet 背后的关键思想包括：

• 复合模型缩放： EfficientDet 使用复合缩放，即使用简单的复合系数均匀缩放模型的所有维度（深度、宽度、分辨率）。这比传统的缩放方法效率更高。
• BiFPN（双向特征金字塔网络）：引入加权双向特征金字塔网络，可以轻松实现准确的多尺度特征融合。
• EfficientNet 主干： EfficientDet 利用强大的 EfficientNet 主干，与 ResNet 等传统主干相比，它具有更高的准确性和效率。
• 模型自动化： EfficientDet 模型使用神经架构搜索自动开发，以最大限度地平衡复合评分指标的准确性和效率。

EfficientDet 架构的工作原理如下：

• EfficientNet 主干从输入图像中提取多尺度特征。
• BiFPN 以双向、自上而下和自下而上的方式集成这些多尺度特征。
• 集成的特征被输入到框/类预测网络中以输出最终的检测。

EfficientDet 模型（例如 EfficientDet-D7）在具有挑战性的 COCO 数据集上实现了最佳准确率，同时比 Faster R-CNN 等之前的检测器小一个数量级且速度更快。它们在移动设备等各种资源受限的环境中都能很好地工作。

复合缩放方法可以简单地扩展 EfficientDet 模型以提高准确率，或缩小模型以加快移动部署速度。这种灵活性与一流的性能相结合，使 EfficientDet 成为许多物体检测应用的热门选择。

3. RetinaNet：

引入焦点损失 (Focal Loss) 来处理类别不平衡问题。

RetinaNet 是由 Facebook AI Research 的研究人员于 2017 年提出的，是一种高效且准确的单阶段物体检测模型。它解决了 YOLO 和 SSD 等之前的单阶段检测器的几个缺点。

RetinaNet 的关键创新包括：

• Focal Loss： RetinaNet 引入了一种名为 Focal Loss 的新型损失函数，用于解决训练期间的前景-背景类别不平衡问题。这将训练重点放在困难的、错误分类的示例上，并防止简单的负样本压倒损失。
• 特征金字塔网络（FPN）：它利用结合低级和高级特征图的特征金字塔网络来有效地检测大范围内的物体。
• 两步过滤： RetinaNet 采用两个过滤步骤 - 第一个步骤过滤整个图像以识别可能包含物体的区域，第二个步骤过滤剩余区域以检测最终的边界框。

RetinaNet 架构的工作原理如下：

• 像 ResNet 这样的主干网络从输入图像中提取特征图。
• 特征金字塔网络以自上而下和横向的方式组合这些多尺度特征图。
• 并行地，两个子网络预测不同尺度的对象分类和边界框回归。
• 焦点损失 (Focal Loss) 应用于预测分类，以关注困难示例。

RetinaNet 在推出时就在 COCO 基准上取得了最佳成绩，其准确率超过了之前的一阶段和两阶段检测器，同时速度也比两阶段模型更快。它能够稳健地检测小型和大型物体，因此适合各种实际应用。

虽然最近的架构已经取得了进一步的进步，但 RetinaNet 的影响源于它对单阶段检测中的关键挑战（如类别不平衡和多尺度感知）的优雅解决方案。其改进表示和监督的设计原则影响了许多后续的物体检测器。

4.更快的R-CNN：

使用区域提议网络（RPN）的高精度模型。

Faster R-CNN 由 Shaoqing Ren 等人于 2015 年提出，是一种极具影响力的两阶段目标检测模型，与 R-CNN 和 Fast R-CNN 等前辈相比有显著改进。

Faster R-CNN 的关键创新包括：

• 区域提议网络 (RPN)：该神经网络组件有效地提出可能包含对象的兴趣区域 (ROI)，取代了以前使用的缓慢选择性搜索算法。
• 基于区域的 CNN：与 Fast R-CNN 类似，Faster R-CNN 使用来自整个图像的卷积特征对每个提出的 ROI 进行分类和回归边界框。
• 端到端训练： RPN 和基于区域的 CNN 均使用多任务损失以端到端的方式联合训练。

Faster R-CNN 架构的工作原理如下：

• 基础卷积网络（例如 VGG-16、ResNet）从输入图像中提取特征图。
• 区域提议网络 (RPN) 处理这些特征图以提出候选对象边界框 (ROI)。
• 使用 RoIPool/RoIAlign 将 ROI 汇集到固定大小的特征图中。
• 这些池化特征被传递到单独的全连接网络，以预测类和边界框偏移。

Faster R-CNN 在推出时就在 PASCAL VOC 和 MS COCO 等基准测试中实现了最先进的物体检测准确率，同时比其前代 R-CNN 速度快得多。其两阶段设计可以精确定位物体。

尽管在速度方面被 YOLO 和 SSD 等较新的单阶段模型所取代，但 Faster R-CNN 为许多后续的基于区域的 CNN 检测器奠定了基础。其影响力被 Mask R-CNN（例如分割）等有影响力的后续模型及其对其他视觉任务的扩展所放大。

Faster R-CNN 的准确性和架构创新巩固了其作为推动物体检测和视觉识别领域发展的里程碑模型的地位。

5.Mask R-CNN：

Faster R-CNN 的扩展，添加了用于预测分割蒙版的分支。

Mask R-CNN 由 Kaiming He 等人于 2017 年提出，是针对实例分割任务而提出的非常成功的 Faster R-CNN 模型的扩展。它不仅可以像 Faster R-CNN 一样预测物体周围的边界框，还可以为每个实例生成逐像素掩码。

Mask R-CNN 的关键创新包括：

• 实例分割：除了边界框识别之外，Mask R-CNN 还在现有的分类和边界框回归分支的基础上增加了一个用于预测对象掩码的分支。
• RoIAlign：它引入了 RoIAlign，这是 Faster R-CNN 中使用的 RoIPool 的改进版本，可以正确地将提取的特征与输入对齐，从而提高 mask 质量。
• 并行分支：该模型有三个并行分支 - 分别用于分类、边界框回归和掩码预测 - 使其成为一个多任务模型。

Mask R-CNN 架构的工作原理如下：

CNN 主干从输入图像中提取特征图。
区域提议网络 (RPN) 提出候选对象边界框（感兴趣区域或 ROI）。
使用 RoIAlign 将 ROI 汇集到固定大小的特征中。
并行分支预测每个 ROI 的类标签、边界框偏移量和二进制掩码。

Mask R-CNN 在推出后便在极具挑战性的 COCO 实例分割基准上取得了最佳结果，远远优于之前的方法。它能够生成高质量的蒙版和边界框，非常适合需要精确实例分割的应用。

除了实例分割之外，Mask R-CNN 还扩展到人体姿势估计等其他领域（例如，Mask R-CNN + Keypoint R-CNN），显示出其作为对象检测和分割任务的通用框架的多功能性。

Mask R-CNN 的准确性、稳健的设计和广泛的采用巩固了其作为实例级识别领域最具影响力的模型之一的地位，也是先进计算机视觉系统开发的重要里程碑。

6.DETR（检测变压器）：

使用变压器进行物体检测，为该任务提供一种新方法。

DETR 是 DEtection TRansformer 的缩写，是 Facebook AI Research 的研究人员于 2020 年提出的一种开创性物体检测模型。这是第一篇以简单有效的方式成功将 Transformer 架构应用于物体检测任务的论文。

DETR 背后的关键思想包括：

Transformer 编码器-解码器： DETR 采用神经机器翻译中的 Transformer 编码器-解码器设计，利用它来处理输入图像并直接并行输出最终预测。
集合预测： DETR 不是独立预测边界框，而是使用全局注意力来联合推理预测/对象集。
二分匹配损失：它引入了一种新的损失函数，在预测对象和地面真实对象之间执行最佳二分匹配。

DETR 架构的工作原理如下：

• CNN 主干从输入图像中提取紧凑的特征图。
• 变换器编码器处理该特征图，构建丰富的表示。
• 然后，变压器解码器会关注编码器输出并并行生成最终的预测集。
• 预测包括类标签、边界框和辅助输出，如掩码系数。

DETR 在推出时就与成熟的 Faster R-CNN 检测器的性能相当，同时更简单且更易于并行化。它展示了 Transformer 在图像分类以外的高级计算机视觉任务中的潜力。

虽然 DETR 比传统检测器慢，但它激发了一系列后续工作，以提高其速度和准确性，并将其扩展到全景分割等任务。可变形 DETR、高效 DETR 和 Anchor DETR 都建立在其核心的基于 Transformer 的检测理念之上。

DETR 强大的基于集合的全局推理能力以及与掩码/关键点等辅助输出的无缝集成，实现了优雅、统一的视觉转换器框架。其影响不仅限于物体检测，还引发了转换器在各种视觉任务中的更广泛应用。

概括

本文介绍了几种流行的物体检测模型并进行了比较。

如何选择？

• 实时性要求高：选择YOLO系列。
• 有限资源（例如移动设备）：EfficientDet。
• 精度要求高：选择Faster R-CNN、Mask R-CNN。
• 需要同时进行检测和分割：选择Mask R-CNN。
• 复杂场景和全局关系建模：选择DETR。

根据具体的应用需求和硬件配置，选择最合适的型号，可以实现性能和效率的最佳平衡。

如果你对最新的研究进展感兴趣，还可以关注计算机视觉和模式识别领域的重要会议，如CVPR(计算机视觉与模式识别会议)和ICCV(国际计算机视觉会议)，这些会议经常发布物体检测模型的最新进展和新应用。