来源：AI有道

本文约2000字，建议阅读5分钟

本文给你总结52个深度学习检测模型。

标签：计算机视觉目标检测作为计算机视觉中的一个重要分支，近些年来随着神经网络理论研究的深入和硬件 GPU 算力的大幅度提升，一举成为全球人工智能研究的热点，落地项目也最先开始。纵观 2013 年到 2020 年，从最早的 R-CNN、OverFeat 到后来的 SSD、YOLO v3 再到去年的 M2Det，新模型层出不穷，性能也越来越好！本文将完整地总结 52 个目标检测模型极其性能对比，包括完备的文献 paper 列表。首先直奔主题，列出这 52 个目标检测模型(建议收藏)：这份目标检测超全的技术路线总结来自于 GitHub 上一个知名项目，作者是毕业于韩国首尔国立大学电气与计算机工程专业的 Lee hoseong，目前已经收获 7.3k star。该项目地址是：

https://github.com/hoya012/deep_learning_object_detection

该技术路线纵贯的时间线是 2013 年到 2020 年初，上图总结了这期间目标检测所有具有代表性的模型。图中标红的部分是相对来说比较重要，需要重点掌握的模型。

更新日志

值得一提的是红色石头早在去年年初的时候已经发文给大家推荐过这个项目，作者也一直在更新，截至 2020 年 2 月，作者主要的更新如下：

• 2019.2：更新3篇论文
• 2019.3：更新图表和代码链接
• 2019.4：更新 ICLR 2019 和 CVPR 2019 论文
• 2019.5：更新 CVPR 2019 论文
• 2019.6：更新 CVPR 2019 论文和数据集论文
• 2019.7：更新 BMVC 2019 论文和部分 ICCV 2019 论文
• 2019.9：更新 NeurIPS 2019 论文和 ICCV 2019 论文
• 2019.11：更新部分 AAAI 2020 论文和其它论文
• 2020.1：更新 ICLR 2020 论文和其它论文

下面详细介绍！

模型性能对比表

由于硬件不同(例如 CPU、GPU、RAM 等)，来比较 FPS 往往不够准确。更合适的比较方法是在同一硬件配置下测量所有模型的性能。以上所有模型的性能对比结果如下：从上面的表格中，可以清楚看到不同模型在 VOC07、VOC12、COCO 数据集上的性能表现；同时列出了模型论文发表来源。下面列举一些重点标红的模型进行简要介绍。

模型论文篇

2014 年R-CNNRich feature hierarchies for accurate object detection and semantic segmentation | [CVPR' 14]论文：https://arxiv.org/pdf/1311.2524.pdf官方代码 Caffe：https://github.com/rbgirshick/rcnnOverFeatOverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks | [ICLR' 14]论文：https://arxiv.org/pdf/1312.6229.pdf官方代码 Torch：https://github.com/sermanet/OverFeat2015 年Fast R-CNNFast R-CNN | [ICCV' 15]论文：https://arxiv.org/pdf/1504.08083.pdf官方代码 caffe：https://github.com/rbgirshick/fast-rcnnFaster R-CNNFaster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks | [NIPS' 15]论文：https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf官方代码 caffe：https://github.com/rbgirshick/py-faster-rcnn非官方代码 tensorflow：https://github.com/endernewton/tf-faster-rcnn非官方代码 pytorch：https://github.com/jwyang/faster-rcnn.pytorch2016 年OHEMTraining Region-based Object Detectors with Online Hard Example Mining | [CVPR' 16]论文：https://arxiv.org/pdf/1604.03540.pdf官方代码 caffe：https://github.com/abhi2610/ohemYOLO v1You Only Look Once: Unified, Real-Time Object Detection | [CVPR' 16]论文：https://arxiv.org/pdf/1506.02640.pdf官方代码 c：https://pjreddie.com/darknet/yolo/SSDSSD: Single Shot MultiBox Detector | [ECCV' 16]论文：https://arxiv.org/pdf/1512.02325.pdf官方代码 caffe：https://github.com/weiliu89/caffe/tree/ssd非官方代码 tensorflow：https://github.com/balancap/SSD-Tensorflow非官方代码 pytorch：https://github.com/amdegroot/ssd.pytorchR-FCNR-FCN: Object Detection via Region-based Fully Convolutional Networks | [NIPS' 16]论文：https://arxiv.org/pdf/1605.06409.pdf官方代码 caffe：https://github.com/daijifeng001/R-FCN非官方代码 caffe：https://github.com/YuwenXiong/py-R-FCN2017 年YOLO v2YOLO9000: Better, Faster, Stronger | [CVPR' 17]论文：https://arxiv.org/pdf/1612.08242.pdf官方代码 c：https://pjreddie.com/darknet/yolo/非官方代码 caffe：https://github.com/quhezheng/caffe_yolo_v2非官方代码 tensorflow：https://github.com/nilboy/tensorflow-yolo非官方代码 tensorflow：https://github.com/sualab/object-detection-yolov2非官方代码 pytorch：https://github.com/longcw/yolo2-pytorchFPNFeature Pyramid Networks for Object Detection | [CVPR' 17]论文：http://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.pdf非官方代码 caffe：https://github.com/unsky/FPNRetinaNetFocal Loss for Dense Object Detection | [ICCV' 17]论文：https://arxiv.org/pdf/1708.02002.pdf官方代码 keras：https://github.com/fizyr/keras-retinanet非官方代码 pytorch：https://github.com/kuangliu/pytorch-retinanet非官方代码 mxnet：https://github.com/unsky/RetinaNet非官方代码 tensorflow：https://github.com/tensorflow/tpu/tree/master/models/official/retinanetMask R-CNNMask R-CNN | [ICCV' 17]论文：http://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf官方代码 caffe2：https://github.com/facebookresearch/Detectron非官方代码 tensorflow：https://github.com/matterport/Mask_RCNN非官方代码 tensorflow：https://github.com/CharlesShang/FastMaskRCNN非官方代码 pytorch：https://github.com/multimodallearning/pytorch-mask-rcnn2018 年YOLO v3YOLOv3: An Incremental Improvement | [arXiv' 18]论文：https://pjreddie.com/media/files/papers/YOLOv3.pdf官方代码 c：https://pjreddie.com/darknet/yolo/非官方代码 pytorch：https://github.com/ayooshkathuria/pytorch-yolo-v3非官方代码 pytorch：https://github.com/eriklindernoren/PyTorch-YOLOv3非官方代码 keras：https://github.com/qqwweee/keras-yolo3非官方代码 tensorflow：https://github.com/mystic123/tensorflow-yolo-v3RefineDetSingle-Shot Refinement Neural Network for Object Detection | [CVPR' 18]论文：http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Single-Shot_Refinement_Neural_CVPR_2018_paper.pdf官方代码 caffe：https://github.com/sfzhang15/RefineDet非官方代码 chainer：https://github.com/fukatani/RefineDet_chainer非官方代码 pytorch：https://github.com/lzx1413/PytorchSSD2019 年M2DetM2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network | [AAAI' 19]论文：https://arxiv.org/pdf/1811.04533.pdf官方代码 pytorch：https://github.com/qijiezhao/M2Det2020 年Spiking-YOLOSpiking-YOLO: Spiking Neural Network for Real-time Object Detection | [AAAI' 20]论文：https://arxiv.org/pdf/1903.06530.pdf

数据集论文篇

同时作者也列出了以上模型通常使用的公开数据集：VOC、ILSVRC、COCO，如下表所示：用于目标检测的数据集相关论文如下：以上就是 52 个深度学习检测模型汇总介绍。该项目可以说把近几年的目标检测模型总结得很不错了，包括论文和源码。希望对大家有所帮助！编辑：于腾凯校对：林亦霖