目标检测模型选型决策树
核心原则：以业务需求优先级（精度/速度/部署环境）为导向，结合模型特性快速匹配
开始选型 ├─ 核心需求优先级？ │ ├─ 1. 精度优先（FPS无硬性要求，mAP越高越好） │ │ ├─ 是否需要同时做实例分割？ │ │ │ ├─ 是 → Mask R-CNN（医疗影像/工业质检） │ │ │ └─ 否 │ │ │ ├─ 接受较慢速度 → Faster R-CNN（经典二阶段，稳定可靠） │ │ │ ├─ 需平衡精度与速度 → RetinaNet（Focal Loss解决样本不平衡） │ │ │ └─ 需全局特征（遮挡/复杂背景） → YOLOv11（CNN+Transformer融合） │ │ │ ├─ 2. 速度优先（实时性要求，FPS ≥ 30） │ │ ├─ 是否需要多任务（检测+分类+分割）？ │ │ │ ├─ 是 → YOLOv8（多任务支持，Anchor-Free架构） │ │ │ └─ 否 │ │ │ ├─ 通用场景 → YOLOv5s（工程化成熟，社区生态丰富） │ │ │ └─ 超高帧率需求 → YOLOv3（速度快，部署简单） │ │ │ ├─ 3. 移动端/边缘端部署（低算力/低功耗，如手机/单片机/智能摄像头） │ │ ├─ 极致轻量化（参数量 < 5M）？ │ │ │ ├─ 是 → Tiny-YOLOv5（1.9M参数，240 FPS，牺牲少量精度） │ │ │ └─ 否 │ │ │ ├─ 平衡精度与功耗 → MobileNet-SSD（4.4M参数，移动端首选） │ │ │ └─ 小目标检测需求 → CenterNet轻量版（Hourglass-52骨干） │ │ │ └─ 4. 特殊场景（非通用目标） │ ├─ 小目标密集（如行人/文本/无人机航拍） → CenterNet（中心点检测，小目标友好） │ ├─ 遮挡严重/长距离依赖（如自动驾驶） → DETR（Transformer全局注意力） │ ├─ 异形目标（如工业零件/农产品） → CornerNet（角点配对，形状适应性强） │ └─ 自动驾驶感知（高精度+实时） → YOLOv11（融合CNN+Transformer，兼顾局部/全局） └─ 选型后验证 → 基于自有数据集微调骨干网络 → 测试实际硬件性能选型小贴士
- 若数据集样本不平衡（如少数类目标占比低），优先选带Focal Loss的模型（RetinaNet、YOLOv8）。
- 若目标尺寸差异大（如同时检测大货车和行人），优先选多尺度检测模型（YOLO系列、SSD）。
- 所有模型都需基于自有业务数据集微调，通用数据集（COCO）的性能不等于实际业务性能。
)
快速实例化)