计算机视觉这两年火得不行，但很多人一上来就掉进“调包训练”的坑里，玩了一个月连目标检测到底在解决什么问题都说不清楚。目标检测是计算机视觉最核心的方向之一，既要“找到目标在哪”，又要“判断目标是什么”，比图像分类难了一个维度。这篇文章是把目标检测的底子给你捋清楚，从问题定义、经典流派到核心组件、训练实操，适合刚入门深度学习但被各种术语绕晕的开发者，也适合做了几年工程但一直没系统梳理过检测技术演进的从业者。读完你会明白R-CNN、YOLO这些名字背后的设计逻辑，以及为什么检测模型训练起来比分类模型麻烦那么多。
1. 目标检测到底在解决什么问题
1.1 检测任务的数学表达与物理意义
目标检测的一句话定义是：给定一张图像，找出其中所有属于预定类别集合的目标实例，并为每个实例输出一个边界框（Bounding Box）和对应的类别标签。
数学上，一张输入图像可以表示为 (I \in \mathbb{R}^{H \times W \times 3})，检测模型要输出一个集合：
[ D = {(b_i, c_i, s_i)}_{i=1}^{N} ]
其中 (b_i = (x_{min}, y_{min}, x_{max}, y_{max})) 是目标的边界框坐标，(c_i) 是类别编号，(s_i) 是置信度分数。
听起来很简单，但真正做起来麻烦得很。这里面有两个核心难点：
第一个难点是“尺度问题”。同一类目标在图像里可能大得占满整个画面，也可能小到只有十几个像素。比如行人检测，站在镜头前的人和远处的人，尺寸可能差几十倍。模型要同时对这两种极端尺度保持敏感，这本身就是个很大的挑战。
第二个难点是“密度问题”。目标可能密集排列、互相遮挡，比如拥挤的地铁车厢里的人群，每个目标只有头部一小块露出来。模型不仅要找到每个目标，还要把它们区分开，不能把两个人框到一起。
还有第三个麻烦的地方：一张图像里目标的“个数”是不固定的。这就是检测和分类的另一个本质区别——分类的输出维度是固定的（就那几个类别），检测输出的是不定长集合。你想想，全连接层往那一放，输出向量的长度是固定的，但目标数量是变化的，这中间的矛盾就需要特殊设计来解决。也正因为这个不定长输出的特性，检测模型的结构设计远比分类网络复杂，跑通一个训练实验的时间和算力成本也高得多。
1.2 困难的根源：坐标回归与不确定输出长度
既然检测难，那到底难在什么地方？我拆开说。
坐标回归的本质是输出四个连续数值，把目标的真实位置用浮点数框出来。这比分类里的离散标签要麻烦得多。分类输出的是一个概率分布，比如“是猫的概率0.9，是狗的概率0.1”，梯度更新方向是明确的。但回归输出的四个坐标，每一个都需要和真实坐标做距离计算，这个距离函数怎么定义、量纲怎么统一、不同尺度的目标怎么归一化，全是坑。
再说输出长度不定。训练时你标注了一张图，里面有5个目标，另一张图里有10个目标，模型输出该是5×5张量还是10×5张量？这个问题从R-CNN时代就开始用各种间接方式规避，先框出一堆候选区域，再逐个判断是不是目标，最后再做坐标修正，绕了一大圈。直到后来的DETR这种基于Transformer的方法，才算是从架构层面上正面解决了“集合预测”这个问题。
还有一个细节容易被忽略：边界框的真实坐标是绝对像素值，还是归一化后的相对值？用得最多的是除以图像宽高做归一化。为什么？为了对不同分辨率的输入具有一致性。要是图像是1280×720，一个目标在x方向占200个像素，换算成归一化坐标就是200/1280≈0.156。模型直接去回归这个0到1之间的小数，数值范围稳定，损失函数也好设计。
1.3 评价指标体系的核心逻辑
搞检测的人见面第一句话就是问“你mAP多少”。mAP（mean Average Precision）是检测领域最核心的评价指标，但很多人只知道这个名字，不清楚它背后的统计意义。
先拆解一步：AP是某个类别上的平均精度。简单来说，模型输出了一堆带置信度分数的框，从高到低排序，逐个判断这个框和某个真实框的IoU（Intersection over Union）是否大于某个阈值（通常是0.5），是就是TP（True Positive），不是就是FP（False Positive）。把Precision和Recall的关系画成一条曲线，曲线下的面积就是AP。
mAP就是把所有类别的AP取平均。
关键点在于：mAP是“排序”敏感的指标。它默认你会按置信度从高到低输出检测结果，而且希望置信度高的框确实更准。这也是为什么模型最后一层输出的分数非常关键——它不只是“判断对不对”，还要“排得出先后”。很多人训练时发现loss已经很低了，但是mAP提不上去，就是因为置信度排序质量差，高分框反而落在错误位置上。
顺便说一下，mAP一般会标“0.5”或“0.5:0.95”之类的后缀。mAP@0.5表示IoU阈值取0.5，mAP@0.5:0.95表示把IoU阈值从0.5到0.95，每隔0.05取一个，共10个阈值算平均。后者是更严格的指标，对框的定位精度要求高得多。做工程落地时，mAP@0.5足够用了，但写论文、刷榜单，基本都是mAP@0.5:0.95的天下。
2. 传统方法与深度学习之前的日子
2.1 滑动窗口与手工特征时代
目标检测不是深度学习火了以后才有的，20年前就有大量的研究和工程实践。只是那个时代受限于算力和特征表达，检测算法的思路非常“朴素”。
传统方法的经典套路是这样的：用固定尺寸的窗口，从头到尾扫过整张图像，每个位置都提取一个特征向量，然后丢进分类器判断窗口里有没有目标，如果有，输出目标类别和框位置。这招叫滑动窗口检测，听起来简单粗暴，实际上也确实是暴力枚举。
特征方面，最出名的是HOG（Histogram of Oriented Gradients，方向梯度直方图）特征。它的核心思想是把图像分成小格子，统计每个格子里梯度的方向分布，形成直方图。这个特征对局部形状和纹理信息有较强的表达能力，尤其是对行人这种竖直状态的目标非常有效，所以当年在行人检测上表现优秀。
紧接着，有人把块状特征进一步扩展，搞出了DPM（Deformable Part Model，可变部件模型）。DPM的思路很有意思：一个目标由若干个部件组成，比如人由头、躯干、四肢组成，每个部件单独检测，再把部件之间相对位置的约束关系也建模出来，综合判断整个目标是不是存在。这个思路本质上就是后来的Attention机制的雏形，或者说像极了把整体问题拆分成子任务再综合决策的过程。
但滑动窗口的致命弱点显而易见：计算量巨大。一张图里有成千上万个窗口位置，每个位置都要提取一次特征，再跑一次分类器。而且固定尺寸的窗口天然处理不了多尺度问题，你只能跑金字塔多尺度变换，也就是把图像缩放成多个分辨率，每个分辨率都滑一遍窗口，计算量再翻好几倍。那时候我的个人体会是：训练一个模型要跑一整夜，推理一张图也要秒级，离实时差得远。
2.2 selective search 与创新思路
滑动窗口不行，就有人想：为什么非要穷举所有窗口？能不能先选出“可能含目标的区域”，再只对这些区域跑检测？这个想法催生了Region Proposal（区域提议）这个概念，其中最火的算法是selective search。
selective search的思路是用图像分割的办法先把像素聚类成小的超像素块，再逐步融合相似的相邻块，形成一系列由小到大的候选区域。通过这种方式，候选框的数量从滑动窗口的上万个缩减到两三千个，计算压力减轻不少。而且这些候选框往往符合目标的真实轮廓，比固定网格的滑动窗口更贴近语义边界。
我记得那时候业内讨论最多的问题不是“特征怎么设计”，而是“怎么减少候选区的数量，同时不丢召回”。selective search给出的答案是用颜色、纹理、大小、形状五种相似度指标融合来做层次化分组，相关信息保留得比较完整，但速度依然很慢——一张图提取候选区域往往要一两秒。今天回看这一段历史，可以说没有selective search的铺垫，就没有后来的R-CNN系列。但传统方法终究是走到头了，瓶颈卡在“特征表达能力”上——不管怎么设计特征提取器，都很难覆盖各种光照、遮挡、姿态变化。深度学习的出现，直接把特征编码交给了卷积网络来自动学习，这才真正掀翻了整个检测领域的玩法。
3. 两阶段流派：从R-CNN到Faster R-CNN
3.1 R-CNN的开创性思路与笨重代价
2014年，R-CNN的出现给检测领域扔下了一颗炸弹。它做的事情，现在看很简单：先跑selective search提取约2000个候选区域，然后把每个候选区域裁剪出来，缩放到固定尺寸，扔进预训练好的卷积网络（比如AlexNet，再然后VGG）提取特征，最后用SVM分类器判断类别。就这么一套组合拳，在Pascal VOC数据集上把mAP提升到了前所未有的高度，跟传统方法拉开了巨大的差距。
但R-CNN的缺陷也非常明显：2000个候选区域要分别过一遍卷积网络，推理一张图像要几十秒。训练还要多阶段分开做，先训特征提取网络，再训SVM分类器，最后训回归器，每个环节还要保存中间特征，磁盘占用大得吓人。当时有人吐槽它“像一台笨重的机器，虽然功率大，但跑起来浑身发抖”。
3.2 Fast R-CNN与Faster R-CNN的效率革命
R-CNN系列真正走上正轨，是Fast R-CNN用了一个非常巧妙的架构调整：不再把每个候选区域单独送进卷积网络，而是先把整张图过一遍卷积主干，得到一个共享的特征图，再对特征图上的候选区域做ROI Pooling，把不同尺寸的区域池化到固定尺寸的特征输出，最后统一接全连接分类和回归。这样一来，卷积计算只做一次，共享计算，推理速度大幅提升。
再往后，Faster R-CNN甚至把候选区域提取也放进了网络结构里，引入RPN（Region Proposal Network，区域提议网络）这样一个轻量级子网络，直接在卷积特征图上生成候选区域。这次改动不仅是速度提升，更重要的是整个训练流程从多阶段变成了端到端，真正意义上完成了“检测=基础网络+候选区域提取+分类回归”的架构统一。
两阶段流派的优势在哪里？精度高。候选区域筛选相当于给模型一个“先粗筛后精细”的机会，分类和回归都在高质量的候选区域上进行，类别不平衡问题天然缓解。缺点是速度上不去，即使到了Faster R-CNN时代，在GPU上推理一张1080P图像也需要100毫秒以上，离视频实时检测还有不小的距离。
3.3 锚点机制的原理与影响
讲到Faster R-CNN就绕不开锚点（anchor）这个概念，它也是整个深度学习检测体系中最核心的设计之一。
锚点是什么？简单来说，就是预先设定的一组不同大小、不同长宽比的参考框。比如在特征图的每个位置放9个锚点框，长宽比有1:1、1:2、2:1三种，面积有128²、256²、512²三种。检测模型的任务不是直接回归目标的绝对坐标，而是预测目标相对于这些锚点框的偏移量。这个把“绝对预测”转成“相对预测”的设计高明在哪里？目标尺寸分布太广、绝对坐标范围太大，直接回归难度高；锚点相当于把搜索空间缩小到了“在这附近微调”的程度，回归起来容易得多。
锚点数量怎么定？这个说实话很多时候是经验值加调参。锚点数太多，正负样本不平衡会更严重，训练速度也被拖慢；锚点数太少，召回率容易掉下来。我在实际项目里通常这样取值：先统计标注数据里所有目标的宽高分布，然后做一次聚类分析，看看目标尺寸集中在哪几档，再根据聚类中心去定制锚点框。比如某个项目里目标普遍偏小，我就把面积档位调低，把128改为64，效果立刻好了不少。这招在很多检测框架里都支持手动配置锚点，值得每个做检测的人熟练掌握。
4. 单阶段流派：YOLO的进化与关键设计
4.1 YOLO把检测变成单次回归问题
两阶段流派虽然精度高，但速度一直被诟病。YOLO（You Only Look Once）的诞生就是要彻底解决这个问题：把检测当成一个单次回归问题，输入图像，输出边界框坐标和类别概率，一气呵成。
第一版YOLO的做法是把图像划分成S×S的网格，每个网格负责预测固定数量的边界框，以及这些框的置信度和类别概率。整个模型就是一个卷积网络，从输入到输出直接映射，没有任何候选区域筛选的中间步骤。速度真的能跑到实时，一张图像几毫秒到几十毫秒搞定。
但初代YOLO的问题也是明摆着的：每个网格只能预测两个框（S通常是7），对密集小目标效果很差；网格划分是固定的，目标恰好横跨网格边界时就找不到语义中心；加上没有多尺度机制，小目标召回率低得可怜。我当时拿YOLOv1跑VOC数据集，看到漏检率和小目标错检率，真的有点尴尬。
4.2 YOLOv3的架构分水岭
YOLOv3是个特别重要的节点，很多人就是从这里开始接触YOLO系列的。为什么说它是分水岭？因为v3从底层架构上做了三件大事。
第一，引入了多尺度预测。v3在三个不同尺度的特征图上分别做检测，大的特征图对应小目标，小的特征图对应大目标。这个设计解决了单尺度对尺度变化敏感的固有问题，也是后面几乎所有检测框架的标准配置。
第二，用了FPN（Feature Pyramid Network，特征金字塔网络）那种自顶向下的路径融合方式，把深层语义信息逐层回传到浅层特征上，让浅层特征图不仅“看得细”还“懂得多”。小目标的检测能力大幅提升。
第三，在主干网络上选择了Darknet-53，去掉了很多池化层，改用步长为2的卷积来做下采样。这样做的好处是特征信息保留更好，梯度传播路径更通畅，训练更稳。
YOLOv3的损失函数也值得一提，它把损失分成三块：坐标回归损失、置信度损失、类别损失。置信度损失用的是二分类交叉熵，判断“这个格子里面到底有没有目标”；类别损失用多标签交叉熵（有的框架用softmax，但v3是sigmoid），因为一个框可能同时属于多个类别语义（比如“人”和“行人”）。
YOLOv3的论文里有一个细节我特别喜欢，就是它指出边框坐标的回归目标应该用sigmoid函数压缩到0到1之间，直接预测网格内的相对位置，而不是预测任意浮点数。原始YOLO直接回归坐标导致前期预测值可能跑到离网格很远的地方，训练不稳定，v3用sigmoid套了一层，相当于给回归加了边界约束，实操中确实发现训练更稳。
4.3 Anchor-Free潮流与后续演进
YOLOv3之后，检测领域出现了一个很重要的思想转向：anchor-free。之前所有人都默认锚点是必需品，但一批工作开始质疑：能不能不定义锚点，直接让模型输出目标中心点和尺寸？
比较有代表性的方向是角点检测和中心点检测。比如有些方法把目标框拆成左上角和右下角的角点，用两个分支去预测角点热力图，再配对成框。CSPDarknet之后的YOLOv4、YOLOv5其实是把锚点机制的细节打磨到了极致——包括用聚类方式自动设计锚点尺寸、在损失函数里加CIoU Loss来优化边框的几何相似度等。到了YOLOX时代干脆转向anchor-free，把解耦头拿去，只保留回归中心和尺寸两个分支，推理速度又提了一档。
之后的YOLOv6、v7、v8等版本，更多是围绕训练策略改进：比如引入更优的标签分配策略、强化的数据增强（Mosaic、MixUp等），以及更高效的主干网络设计。从工程落地来看，YOLO系列仍然是性价比最高的选择，因为它只需一个模型文件，不经任何后处理优化，在GPU上就能轻松实时跑1080P视频。
5. 训练自己的检测模型，先过这几道坎
5.1 数据标注与格式转换
说到训练检测模型，第一步永远是数据。检测任务比分类任务对数据的要求高好几个量级，因为你不仅要知道“有什么”，还要标注“在哪”。
数据标注的格式五花八门：Pascal VOC用XML文件，COCO用JSON，YOLO系列用txt文件，每行是“类别 中心x 中心y 宽 高”的格式，坐标相对图像的宽高做了归一化。刚开始做检测项目的人最常见的坑：在标注工具里标的是像素坐标，转换成YOLO格式时忘了归一化，结果训练出来的模型输出框全跑偏。另外标注的时候，目标边缘要不要紧贴轮廓？我的经验是，紧贴轮廓更利于模型学习到目标的真实几何信息，但也不建议贴得太紧——稍微留出1%到2%的余量，让框的边界处包含一点点背景上下文，模型对边界位置的回归会更平稳。
还有一个数据层面的问题，类别不平衡。在目标检测里，有的类别特别多，有的类别只出现几次。训练时模型很容易偏向样本量大的类别，小类别的召回率极低。处理方式有几个：对图像做重复采样增强、对少数类做针对性数据增强（例如多裁剪、多旋转）、或者调整损失函数里不同类别的权重。不要指望靠一堆技巧一步到位，先观察模型在验证集上的每类AP（其实就是看每一类的mAP），哪个类别低就优先处理哪个。
5.2 anchors的选择与学习率、batch size的规律
检测模型训练里最容易被忽视但影响极大的两块：锚点设置和超参数选择。
锚点这块，前面提过可以聚类得到。具体说下怎么操作：把训练标注里所有真实框的宽高取出来，做k-means聚类，k通常是9，聚类中心就是9组锚点尺寸。值得注意的是，聚类用的距离函数不能是欧氏距离，而要用IoU的补数，即希望锚点框与真实框的IoU尽可能大。手工指定的锚点框和聚类得到的锚点框相比，在mAP上的差异可以达到两三个点。
学习率这一块也比分类任务更敏感。检测模型一般训练迭代轮数多，当batch size取16、输入尺寸640×640时，初始学习率设定在0.01到0.02之间比较安全。但关键是预热（warm-up）阶段：前几百步把学习率从很小的值逐步拉升到目标值，避免前期因为学习率太高导致模型震荡甚至发散。这个技巧我在实际使用中觉得比什么都重要，尤其是用大规模预训练权重起步的时候。
梯度裁剪也是一道安全网。检测头部分损失函数数值可能忽大忽小，特别是早期阶段锚点和特征匹配不稳定时，clip_norm设个10（按梯度全局范数裁剪）能避免偶发的loss突爆。很多教程不讲这个，但我在跑第一个检测模型时确实被loss突然变成nan坑过一次，开了梯度裁剪就再没出现过。
5.3 标签分配与损失函数：训练中的隐藏战场
检测模型训练的另一大核心是标签分配（label assignment）——也就是每个预测框到底“负责”哪个真实框。如果分配错了，损失函数再先进也白搭。
早期的方法是IoU阈值匹配：预测框和某个真实框的IoU > 0.5，就认为这个预测框负责该真实框。双阶段模型配合RPN可以这样玩，因为候选框质量高。单阶段模型如果没有锚点筛选，这样分配会导致大量难例，因为大量预测框根本落不到真实框附近。
后来YOLOv5时代开始流行一种动态分配策略：对于一个真实框，不再只看单个IoU阈值，而是把与其IoU较高的前k个预测框都分配给它，再通过模型自身的置信度来加权计算损失。这种“先粗筛，再精调”的动态分配机制，让正样本数量在训练过程中自动调整，对不同尺度和形状的目标适应能力更强。
损失函数选得好不好，影响也很明显。我自己常用的组合是CIoU Loss（边界框回归）+ BCE（二分类置信度）+ BCE（多标签分类）。CIoU Loss相比老旧的Smooth L1 Loss，考虑了重叠面积、中心点距离、宽高比例三个维度，回归精度提升不少。但使用CIoU时要注意：如果训练数据里目标宽高比特别极端（比如宽高比超过10的条状目标），CIoU的反向传播容易不稳定，这时可以退回IoU Loss或GIoU Loss，多试几个版本再定型。
5.4 过拟合与欠拟合的现实表现
检测模型过拟合和分类模型不一样，它通常不会显示“训练loss一直降、验证loss先降后升”那么干净的信号——验证集的mAP可能前期上升、后期甚至停滞或微降，但看起来loss表现还挺好。
我遇到过的最典型情况是：训练集mAP已经到80了，验证集mAP才55，而且验证集上的框要么多检了（预测了很多背景框），要么漏检（某些目标完全没预测出来）。这些基本就是过拟合的信号了。
此时先别慌，优先级依次是：
- 加大数据增强，特别是随机翻转、随机尺度缩放、色彩抖动这类能增加样本多样性的操作；
- 降低模型复杂度，比如把主干网络从最大规模换成轻量版；
- 加早停机制，在验证mAP连续10轮不涨时触发。
欠拟合的表现往往是验证集和训练集mAP都低，此时说明模型容量不足或训练时间不够。优先加训练周期，其次增大模型容量，而不是盲目调学习率。
6. 常用工具选型与实战路径选择
6.1 主流框架速览与选型建议
现在做目标检测，常用的框架基本是这几类：Ultralytics的YOLO系列、MMDetection、Detectron2，以及用来做自定义实验的PaddleDetection。
Ultralytics YOLO走得最远，官方仓库开箱即用，命令行几行代码就能训练、验证、导出模型，老本行也延续得好。如果目标是快速验证一个点子或者做工程项目落地，我会优先选这个，因为它的默认配置在大多数情况下都足够好：自动锚点聚类、自动数据增强策略、自适应灰度处理、多尺度训练都有内置。
MMDetection的特点是模块化做得极致，可以方便地把不同主干、不同检测头、不同标签分配策略组合在一起。论文复现重度用户会喜欢它，但它配置复杂，依赖版本众多，新手配置环境时很容易卡住。我的建议是：如果你想深入研究检测算法、对比不同模块的优劣，MMDetection再合适不过；如果只想快速解决一个实际业务问题，别在MMDetection上浪费时间。
Detectron2是另一个面向研究的框架，用起来也重，但我发现它的可视化工具做得很好——可以把预测框、特征图、热力图一步到位画出来，做算法调试非常方便。
PaddleDetection在国内生态里做得最完备，针对国产硬件和国产深度学习框架做了大量适配，部署到CPU、移动端都很顺手。如果生产环境是国产化栈，这个框架是最平滑的选择。
6.2 端到端的实践路径建议
如果你是第一次做目标检测项目，我给你一条最稳妥的路径：
第一步，用Ultralytics YOLO跑通一个最小样例。选COCO128这个小子集，跑5到10轮训练，目标只有一个：把环境搭建、数据加载、训练循环、模型导出这整条链路彻底跑通。
第二步，对标自己的业务数据。准备好标注数据后，用YOLO自带的自动聚类设置锚点，关闭预训练权重直接把模型训练到收敛，得到第一版性能基线。不要上来就用预训练模型加冻层训练，这样能帮助你判断数据量和任务复杂度。
第三步，优化性能。检查各类AP，如果小目标AP偏低，就加Mosaic增强、增大输入分辨率；如果定位精度差，就换CIoU或引入辅助训练分支。
最后一步，部署。打包成ONNX格式，或者转成TensorRT，测一下推理延迟和内存占用。工业生产一定要关注这一环，模型在离线评测里的mAP再高，上不了线都是白搭。
我的经验是：整个流程走完，一个中等规模数据（几千张图）的项目大概需要一到两周。其中数据清洗和标注占掉六成时间，训练调参反而比较快。别一上来就想搞创新模型结构，先把基线跑通，后面再慢慢迭代才有参照系。
7. 常见问题与排查技巧实录
7.1 训练不收敛的排查清单
训练过程中loss一直不降或者直接变成nan，是检测项目最高频且最磨人的问题。我把常见原因和排查顺序整理成了一张表，你按顺序检查基本能定位：
| 现象 | 可能原因 | 排查优先级 |
|---|---|---|
| loss前几步就nan | 学习率过高、梯度爆炸 | 先设小lr（0.0001）复训一次 |
| loss卡住完全不降 | 标签分配有误、类别编号错乱 | 可视化验证loss，看类别标签是否正确 |
| 训练loss和验证loss同时很高 | 数据预处理与标注格式不匹配 | 检查是否做了归一化、坐标是否越界 |
| 过拟合早期出现（训练好验证差） | 数据量不足、增强不够 | 加大Mosaic、随机翻转等增强强度 |
| 收敛了但单类AP特别低 | 样本数量太少、目标框太小 | 针对性补充数据或做裁剪增强 |
关于nan还有一个隐蔽原因：锚点框宽高出现0或负值。训练数据里如果有标注错误的框，比如宽高为0或坐标端点反了，回归目标就会异常，梯度自然出问题。标注清洗这步真的不能省。
7.2 推理阶段的典型问题
模型训练好了，推理阶段也会遇到新问题。
第一个问题：一张图输出几百个框，重叠严重。这是NMS（非极大值抑制）阈值设置不合理导致。NMS的核心逻辑是：按置信度排序，选中最高分框，把所有与它IoU大于阈值的框抑制掉，再继续从剩下框里选最高分的。阈值取0.4到0.6之间比较常见。阈值取太小（0.2），同类的不同目标挨得近时容易被一起抑制掉，导致漏检；取太大（0.8），重叠框太多，视觉上新检出很多重复框。调NMS阈值是最快的“收益手段”之一。
第二个问题：小目标完全检测不到，但大目标正常。这种情况大概率不是模型问题，而是输入尺寸太小。YOLOv5默认输入640×640，小目标在这么小的分辨率里可能只占十几个像素，特征都丢了。加大输入尺寸（比如1280×1280）+开启Mosaic增强，往往立竿见影。
第三个问题：模型在一张图上能跑通，但输入视频流时偶尔卡顿或内存涨。这还是推理管线问题，一般是没启用批处理、没做预处理缓存。视频检测最好用流式处理，把每帧预处理做成队列，别在检测循环里做大量numpy运算。
说实话，这些排查经验都是在项目里被喷出来的坑攒出来的。测下来的感受是：80%的训练问题出在数据上，15%出在超参数，只有5%是模型结构本身的问题。数据没搞干净，再好的网络也白搭。
关于目标检测的“概览上篇”，我最后再分享一点个人心得：做检测项目最忌讳的是“只见树木不见森林”。一上来就扎进某个框架的调参细节里，被各种API牵着鼻子走，结果连模型为什么这样设计都没搞懂。你如果能理解这个领域的演进逻辑——从滑动窗口到R-CNN再到YOLO——可能比多调出几个点mAP更有价值，因为后者换个数据集就失效，前者却能让你在面对新任务时做出正确的方案选择。下一篇再聊检测模型的部署优化与实战数据调优，到时候把端侧加速、剪枝量化和失败案例分析一并展开。
