- 两阶段检测：分两步完成检测 ------ 先生成候选目标区域（Proposal），再对候选区域做精细分类 + 边框回归；核心是 "先找哪里可能有目标，再判断是什么、框在哪"。
- 一阶段检测：一步完成检测 ------ 直接在特征图上同时预测所有目标的类别与边框，端到端一次前向传播输出结果；核心是 "无需单独找候选区，直接全局预测"。
两阶段检测（Two-stage）
1. 底层执行流程（以经典 Faster R-CNN 为例）
整个网络分成两个独立阶段，依次执行：
- 第一阶段：生成候选区域（RPN 网络）
- 输入：Backbone 提取的主干特征图
- 操作：在特征图每个位置生成多个预设锚框，通过小型卷积网络做前景 / 背景二分类+ 粗略边框修正，筛选出几百个 "可能存在目标" 的候选区域（RoI）
- 作用：过滤掉绝大部分纯背景区域，缩小第二阶段的计算范围
- 第二阶段：分类与精修（RoI Head）
- 输入：第一阶段输出的候选区域
- 操作：通过 RoI Align/Pooling 将不同尺寸的候选区域统一成固定尺寸特征，再送入全连接层 / 卷积头，完成具体类别分类 +高精度边框回归
- 作用：输出最终的目标类别与精确边界框
2. 代表模型
R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、Cascade R-CNN 等。
3. 优缺点
- 优势 ：
- 精度上限更高，尤其是边框定位精度、细分类精度普遍优于早期一阶段模型
- 正负样本相对均衡（RPN 先过滤背景），小目标、遮挡目标表现更稳定
- 易于扩展实例分割、关键点检测等任务（如 Mask R-CNN）
- 劣势 ：
- 速度慢，推理帧率低，两次特征计算带来大量算力开销
- 模型参数量大，训练、部署复杂度高
- 端到端优化困难，RPN 与检测头是分步训练的
一阶段检测（One-stage）
1. 底层执行流程（以你正在用的 YOLOv8 为例）
没有单独的候选区域生成步骤，一次前向传播直接输出全部检测结果，对应你熟悉的三段式流水线：
- Backbone 提取多尺度特征
- Neck 完成多尺度特征融合
- Detect 解耦头直接在三层特征图的每个网格点上，同步预测：
- 每个锚框的类别置信度（6 类缺陷）
- 每个锚框的坐标偏移量（边框回归） 最后经 NMS 过滤冗余框，输出最终结果。
2. 核心特点
- 整张图密集生成锚框，无需提前筛选候选区，直接全局预测
- 为了解决 "正负样本极度不平衡（绝大多数锚框是背景）" 的问题，衍生出 Focal Loss （你正在配置的
fl_gamma），专门压制简单背景样本的损失权重，聚焦难检小目标 - 代表模型：YOLO 全系列、SSD、RetinaNet、YOLOv8/v9、RT-DETR 等
3. 优缺点
- 优势 ：
- 速度极快，推理帧率高，完全满足实时检测需求
- 端到端训练，逻辑简洁，部署、落地难度低
- 模型轻量化空间大，适配边缘设备、工控机等工业场景
- 劣势 ：
- 早期版本（YOLOv1/v2）小目标、密集目标精度弱于两阶段
- 正负样本天然不均衡，需要依赖 Focal Loss、难样本挖掘等策略补偿
核心差异对比表
表格
| 对比维度 | 两阶段检测（Faster R-CNN） | 一阶段检测（YOLOv8） |
|---|---|---|
| 核心流程 | RPN 生成候选区 → 分类 + 精修边框，两步完成 | 直接全局预测分类 + 坐标，一步端到端输出 |
| 速度 | 慢，通常 5~20 FPS | 快，通常 30~100+ FPS |
| 精度上限 | 理论上限更高，定位更精细 | 现代版本（YOLOv8+）已追平，部分场景反超 |
| 小目标表现 | 原生表现更稳定 | 需搭配 P2 小目标层、注意力等优化 |
| 正负样本平衡 | RPN 过滤后相对均衡 | 天然失衡，依赖 Focal Loss、样本匹配策略 |
| 计算量 / 参数量 | 大，算力要求高 | 小，轻量化友好 |
| 部署难度 | 高，结构复杂 | 低，端到端导出方便 |
| 典型适用场景 | 高精度离线检测、医学影像、卫星遥感 | 实时工业质检、自动驾驶、安防监控 |