浩瀚之水的专栏

全称：Common Objects in Context特点：大规模、丰富标注、复杂日常场景应用：目标检测、分割、关键点检测、图像描述等📊 数据集统计 数据集划分图片数量实例数量标注文件训练集118,287860,001instances_train2017.json验证集5,00036,781instances_val2017.json测试集40,670未公开标注image_info_test2017.json注意：COCO2017是常用版本，之前有2014版本（训练集

合并VOC2007和VOC2012增加数据量检查标注错误和缺失文件生成训练/验证/测试集时注意数据分布。

1400万图片，2万类别（常用子集：ILSVRC 2012，1000类）最新趋势是使用大规模多模态数据（图文/视频-文本对）进行跨模态预训练。10类（CIFAR-10）或100类（CIFAR-100）物体图片。20个常见物体类别，含目标检测/分割/动作识别标注。900万图片，1900万标注框，600个类别。电影评分数据集（1-5分），包含用户属性。：分析数据分布（类别/人口/地理等偏差）手写数字（0-9），6万训练+1万测试。5万条电影评论，二分类（正面/负面）10万图片，物体/属性/关系密集标注。

特性/流派两阶段检测器单阶段检测器Transformer检测器核心思想​提名-精修一步到位，密集预测集合预测，端到端精度​通常最高​较高（与两阶段相当）非常高（SOTA水平）速度​较慢极快​中等（训练慢，推理可优化）结构复杂度​较高较低低（无手工组件）典型应用​对精度要求极高的场景（如遥感检测、竞赛）实时应用（视频监控、自动驾驶、嵌入式设备）前沿研究，追求简洁架构和高性能的场景如何选择？追求极致速度与部署便利：选YOLO系列（如v8, v9）。追求高精度，不关心速度：选。

从v1到最新的v8、v9、v10，YOLO系列通过更优的主干网络、Neck（如FPN、PAN）、Head设计以及损失函数改进，不断刷新着速度和精度的平衡，成为工业界应用最广泛的检测器。基于关键点（如CenterNet、CornerNet）或点（如FCOS）的检测器，直接预测物体的中心或角点，简化了设计，成为YOLOv1之后的新一波“无锚点”浪潮。，其“提示”驱动的分割思想，也为目标检测提供了新的可能性，推动了检测与分割的融合。，速度和精度达到新的平衡，成为两阶段检测器的标杆，并统治了此后多年的研究。

架构类型代表模型优点缺点适用场景两阶段​精度高​速度慢，结构复杂对精度要求高的科研、离线分析单阶段​YOLO, SSD速度快，结构简单传统上精度略低实时检测，如视频监控、自动驾驶​端到端，无需NMS，设计简洁训练收敛慢，资源消耗大前沿研究，追求新范式和高精度当前趋势端到端化：消除NMS等后处理步骤，DETR是典型代表。无锚点化：简化模型设计，使其更简洁高效。多模态融合：结合文本、深度等信息进行检测（如 Grounding DINO）。Transformer与CNN融合。