目标检测模型选型决策树

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

1. 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）。
2. 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）。
3. 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。

---