目标检测该怎么学呀，目前研一，老师啥也不会，感觉毕不了业了？ 第1页

系统地学习目标检测可以遵从下面的学习路线：

1.学习经典工作。经典工作包括RCNN系列（RCNN、Fast RCNN、Faster RCNN），宏观上可以学习到什么是目标检测、目标检测是做什么的，微观上可以学习到诸如Region Proposal Network（后续one-stage工作的基础）、Anchor box等基础技术。这个系列后来被划定为“two-stage”工作，检测精度好、速度要慢一些。随后，再学习早期的YOLO系列工作（YOLOv1、YOLOv2），宏观上可以学习到什么是one-stage目标检测方法、如何进行端到端的训练和推理，同时，学习SSD，可以初次接触到多级检测方法——使用更多的特征图去检测不同大小的物体。最后，学习FPN、YOLOv3以及RetinaNet（Focal loss），掌握当下主流检测框架“分而治之”方法。学习玩这些经典工作，最好能从中挑选出一至两个工作，进行复现，那么，目标检测就入门了。

2.学习最新工作。完成了经典工作的学习后，掌握了目标检测的基本概念，即可找近两年内的工作，考虑到笔者写下这段文字的时候是2022年初，Transformer在CV领域仍发挥着很大的作用，那么就可以先看ECCV 2020的DeTR，掌握如何将Transformer应用在目标检测领域中。如何对这个系列的工作感兴趣，且手里的资源足够充足，那么可以继续跟进DeTR后续的诸多改进版本，如Deformable DeTR、Anchor DeTR等等。同时，也可以再学习基于Transformer的backbone工作，如ViT、SwinTR等，都是具有里程碑意义的工作。

如果对DeTR不太感兴趣，也可以看一些其他工作，如受DeTR启发的Sparse RCNN、NMS-free的OneNet、探索C5尺度的检测性能上限的YOLOF，还有动态label assignment的OTA等等。

如果工作需求偏向于实际应用，那么在有了经典工作的基础后，可以上手YOLOv5、YOLOX这几个集大成者的工作。

总而言之，入门阶段，学习经典工作是必要的，因为后续的诸多工作都是默认读者已经有一定的相关基础了，所以，很多技术要点就不会写得详细了，这对于初学者来说并不友好。

最后，诚意推荐我自己的YOLO入门专栏，带领初学者手把手实现性能更好的YOLO检测器：

简单说一下本专栏的脉络：

第一部分：YOLOv1

YOLOv1原理讲解->YOLOv1模型搭建->VOC数据集准备->数据预处理->数据增强->训练模型->制作训练正样本->损失函数->测试模型与检测结果的可视化->计算mAP->COCO数据集准备->COCO-val验证集和AP计算方法。

这一部分可以让我们能够对目标检测有个基本而初步的认识，对于YOLO系列的思想有了基本了解和认识，并且能够在当下的主流数据集COCO上完成测试，最重要的，是我们能够掌握数据预处理的基本方法，这对于开展今后的学术工作是很重要的。

很多时候，每当我们进入一个新的领域，首先最需要解决的问题包括三点：

1.确定常用的数据预处理方法；

2.确定该领域的benchmark；

3.确定评价指标及其计算方法。

完成这一部分后，相信读者能够对以上三点有个基本的掌握，并且能够搭建出来一个我们自己的YOLOv1检测模型。倘若实际需求较为简单，那么这样的一个模型足以满足。

本部分的核心项目代码：

这一部分的最后，我们会介绍一个增强版的YOLOv1检测器，性能很强大。

第二部分：YOLOv2

YOLOv2原理讲解->anchor box讲解->kmeans获取anchor box->YOLOv2模型搭建->训练模型->基于anchor box的正样本匹配->损失函数->测试模型与检测结果的可视化->计算mAP。

这一部分可以让我们对anchor box、anchor box based方法的原理有一个初步的认识，以及基于anchor box的正样本匹配的基本原理有一个初步的了解和认识。

本部分的核心项目代码：

这一部分的最后，我们会介绍一个增强版的YOLOv2检测器，性能很强大呦。

第三部分：YOLOv3

FPN解读->YOLOv3原理讲解->Y

OLOv3中的正样本匹配方法->测试模型与检测结果的可视化->计算mAP。

YOLOv3这一部分内容最少，主要也是因为YOLOv3本身就没有太多改进的地方，主要是增添了FPN模块，换了更大的backbone。完成这一部分，读者基本就是入门了，如果代码全程都手敲下来和调试，相信读者会收获不少。

本部分的核心项目代码：

主要是以上三部分，后续会根据更新内容不断做调整。

最后说明一下，为了配合这个专栏，以前的项目代码我会重新做调整，将v1、v2、v3都单独分开，不再合成一个项目发布了。所有模型我都会重新训练一遍，也许会和之前的结果有些出入，但无关紧要。

这一部分的最后，我们会介绍一个更好的YOLOv3检测器。

第四部分：YOLOv4

笔者近来也尝试实现了一版YOLOv4，不过，性能没有达到官方的YOLOv4的性能，具体原因仍待详查，短时间内可能无法将由笔者实现的YOLOv4的性能提升到官方的水准了。但作为一个入门的素材还是十分足够的，读者可以从这个项目里学习到有关马赛克增强的数据预处理知识，进一步入门目标检测领域。

第五部分：YOLOF

笔者近来也尝试实现了一版YOLOF，不过，同上面的 YOLOv4一样，性能也没达到官方的baseline水准。这个项目的trick有点多，目前仍在一一尝试中。同样，笔者认为将这一版YOLOF作为入门的素材是绰绰有余的，读者可以从这个项目里学习到更多的有关数据预处理的方式（比如最短边为800，最长边不超过1333），以及一个结构更加简洁的、训练时长更短的（仅在COCO上训练12epoch，即所谓的“1x”训练策略）的目标检测模型。

希望这一“实在”的专栏能够给读者们带来更佳的体验吧~

最后，对此专栏感兴趣的可以私聊我加入微信群，针对本教程有任何问题，都可以在群里提问，笔者会及时做出解答的。

目标检测可以先从成熟框架开始上手，比如mmdetection和detectron2。

如果基础稍弱一点的话，也可以先上手torchvision的detection部分，代码比较clean，没有特别的封装。