市面上目标检测算法总结_目标检测算法排名

市面上目标检测算法总结

目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型：
(1)two-stage方法:以R-CNN系列框架为代表，其主要思路是先通过启发式方法（selective search）或者CNN网络产生一系列候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高,但是在速度方面离实时效果还比较远。
(2)one-stage方法:以YOLO框架为代表，其主要思路是均匀地在图片的不同位置进行抽样(滑动窗口)，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但缺陷是每个网格只能预测一个物体，容易造成漏检；且对于物体的尺度相对比较敏感，面对尺度变化较大的物体时泛化能力较差，同时检测精度上不来。

1.R-CNN系列，包括(R-CNN、Fast R-CNN、Faster R-CNN）

R-CNN是最早的目标检测算法，它是基于候选区域+深度学习分类，然后经过一系列版本更新接着出现了Fast R-CNN、Faster R-CNN系列。它首先使用选择性搜索（Selective Search）等方法生成一系列候选区域，然后将这些候选区域进行卷积特征提取，并使用支持向量机（SVM）进行分类。

Fast R-CNN是对R-CNN的改进，它通过共享卷积特征提取过程，提高了算法的效率。Fast R-CNN首先将整个图像输入卷积神经网络，得到卷积特征图，然后根据候选区域的位置信息从特征图中提取对应的特征向量，并使用全连接层和softmax分类器进行分类。

Faster R-CNN是对Fast R-CNN的进一步改进，它引入了区域生成网络（Region Proposal Network, RPN），用于生成候选区域。RPN是一个全卷积网络，可以通过滑动窗口的方式生成候选区域的边界框，并对这些边界框进行分类和回归。Faster R-CNN将RPN和Fast R-CNN结合起来，实现了端到端的目标检测。

优点：

准确性较高，对小目标检测效果好，具有较好的定位精度。

缺点：

速度较慢，需要对每个候选区域进行特征提取，计算量大；训练过程复杂，需要多阶段的训练。

2.YOLO系列算法（包括YOLOv1-v5）

YOLO是一种目标检测算法，它的主要特点是能够实现实时目标检测。相比于传统的目标检测算法，YOLO可以在一次前向传递中同时预测图像中多个目标的位置和类别。YOLO算法的网络结构由卷积神经网络构成，通过多层卷积和池化层来提取图像特征，然后使用全连接层来预测目标的边界框和类别。在训练过程中，YOLO使用了特殊的损失函数来平衡目标的位置和类别预测的准确性。总体来说，YOLO系列算法是一种快速而准确的目标检测算法，适用于需要实时检测的应用场景，比如自动驾驶、视频监控等。

优点：

速度快，能够实时检测目标；简单且端到端的网络结构，训练和测试过程都较为简单。

缺点：

对小目标的检测效果较差，定位精度相对较低；容易产生较多的误检测，但是随着yolo版的不断更新，以及transformer在计算机视觉领域的运用，其检测效果也在不断上升。

3.SSD（Single Shot MultiBox Detector）算法

沿用了YOLO中直接回归Bounding Box和分类概率的方法，同时又参考了Faster RCNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别速度，还能把mAP(平均精度)提升到较高的水平。

优点：

速度较快，能够实时检测目标；能够检测出不同尺度的目标，且对低分辨率的输入图像的效果很好。

缺点：

SSD的缺点是对小尺寸的目标识别仍比较差，还达不到Faster R-CNN的水准。这主要是因为小尺寸的目标多用较低层级的anchor来训练(因为小尺寸目标在较低层级IOU较大)，较低层级的特征非线性程度不够，无法训练到足够的精确度。

4.Mask R-CNN算法

Mask R-CNN是一个实例分割（Instance segmentation）算法，可以用来做“目标检测”、“目标实例分割”、“目标关键点检测”。Mask R-CNN是对Faster R-CNN的直观扩展，网络的主干有RPN转换为主干网络为ResNet的特征金字塔网络(FPN)，同时添加了一个分支用于预测每个感兴趣区域(RoI)上的分割掩模，与现有的用于分类和边界盒回归的分支并行。

优点：

在目标检测的基础上增加了实例分割功能，能够同时得到目标的位置和像素级别的分割结果。

缺点：

速度较慢，计算量大；对小目标的检测效果较差。

不同检测算法性能对比

随着计算机视觉领域的不断发展，越来越多目标检测算法都在不断更新迭代，其中最受欢迎的yolo系列到目前为止已经更新得到v8版本，其速度与精度都有较好的提升，并且随着一些新的网络结构改进，轻量化的运用，也把目标检测算法推向高潮，下表是收集现阶段比较流行大的不同目标检测算法在coco数据集上测试的结果，包括FPS、精度。

AP: PR曲线下的面积，综合考量了 recall 和 precision 的影响，反映了模型对某个类别识别的好坏。

mAP: mean Average Precision, 即各类别AP的平均值，衡量的是在所有类别上的平均好坏程度。

FPS：即每秒帧率 (Frame Per Second)除了检测准确度，目标检测算法的另一个重要评估指标是速度，只有速度快，才能够实现实时检测。FPS用来评估目标检测的速度。即每秒内可以处理的图片数量。

所以由上表可以发现，在coco数据集上测试结果，yolov5在精度和速度上都有比较好的效果。

YOLOv5-v8对比

由下图可以发现在coco数据集测试下，大致参数量相差不多时yolov8的精度相对于v5、v6、v7版本较好，并且其fps也相差较小

但是我对模型分别测试，每种算法均按默认配置，使用小麦检测数据集训练100轮，batch_size按显存最大来设置，img_size均为640*640，使用train.py进行4卡训练，使用detect.py进行单卡预测。加粗的表示最优结果。

总结：

• 从同一模型来看，模型的准确率和召回率并没有随着模型的加深而提高，相反，有着一定的降低，这主要是由于数据集量相比COCO数据集小得多，模型中有着大量的冗余参数，导致模型的各项指标下降；因此，对于量较小的数据集，选用参数量较少的模型，不光可以提高准确率，降低训练时间，还能在预测速度上有着比较大的优势；
• 对比不同模型来看，yolov8相较yolov5和yolov7在准确率方面确实有一定的提升（仅限于大模型l/x），在本文使用的数据集上提升大概在1个点左右；而小模型（n/s）其实差距不大，甚至yolov7-tiny远低于正常水平（不知道是否是训练的时候出问题了，后续需要再测一下），这是我没有想到的；
• 需要根据实际情况挑选自己的模型，没有最好的模型，只有最适合自己数据集的模型。
  ）其实差距不大，甚至yolov7-tiny远低于正常水平（不知道是否是训练的时候出问题了，后续需要再测一下），这是我没有想到的；
• 需要根据实际情况挑选自己的模型，没有最好的模型，只有最适合自己数据集的模型。