企业官网建设流程全解析

R-CNN 家族发展史：从“扫街 47 秒”到“一眼定位”，一张图看懂目标检测的进化论

📍系列路标｜本系列共 7 篇，按“原理演进 → 逐篇拆解 → 流派对比 → 代码与选型”编排：

1. ✅第 1 篇｜R-CNN 发展史（本篇）——四代模型因何而生、各解决了什么问题。
2. ⏳第 2 篇｜R-CNN 拆解——从一张图片出发，走完“先猜后认”的完整流程。
3. ⏳第 3 篇｜Fast R-CNN 拆解——RoI Pooling 如何把 47 秒压到 0.3 秒。
4. ⏳第 4 篇｜Faster R-CNN 拆解——RPN 如何让网络自己学会“找框”。
5. ⏳第 5 篇｜Mask R-CNN 拆解——从“框住”到“像素级抠图”的最后一公里。
6. ⏳第 6 篇｜R-CNN vs YOLO——两阶段与单阶段，谁快谁准谁更适合你。
7. ⏳第 7 篇｜手撕代码与工业选型——从零实现一个检测器 + 真实项目里到底选谁。

一、背景：目标检测这么难，凭什么 R-CNN 能破局？

1.1 先统一认知：到底什么叫“目标检测”？

图 1｜目标检测要同时回答两个问题：它是什么 + 它在哪里（示意场景为简单几何图形，非真实照片）

🤔 怎么读这张图？左边是“人”的视角：0.2 秒就看明白“天上有太阳、草地有房子和树”；右边是“机器”必须交出的答题卡：把每个目标用一个虚线框圈起来，再写上类别和置信度（有多大把握）。

• 一张 224×224 的普通照片，对电脑来说只是约 15 万个颜色数字（224×224×3）——它一开始根本不知道“太阳”长什么样；
• 目标检测 =分类（这是什么）＋定位（用一个框圈住，框 = x、y、宽、高四个数字）；
• 难点在于：物体有大有小、有歪有斜、会被遮挡，背景里还藏着无数“长得像物体”的东西，想“圈得又准又全”非常难。

1.2 2014 年之前：传统方法的两座大山

在深度学习登场前，检测界的老大是DPM（一种基于 HOG 手工特征的模型），它已经是“人肉设计特征”这条路的极限（2010 年 VOC 数据集约 33.4% mAP），此后几乎寸步难进。它有两大致命软肋：

1. 不知道该去哪找：只能“滑窗”——让一个窗口从左上角挪到右下角，还要换好几档大小反复扫，像在草原上地毯式找一根针；
2. 认不出抽象特征：HOG 这类特征是人写死的（统计梯度方向），换个光照、姿势、背景，效果立刻崩盘。

而 2012 年，AlexNet 在图像分类大赛上碾压全场——电脑的“眼睛”诞生了。大家马上想：能不能让这双眼睛也学会“找东西”？于是 2014 年，R-CNN 出场：它把“先猜东西大概在哪（Region），再用CNN仔细看”这套思路拼成了一个大杀器，一举拉开“深度学习目标检测”的序幕。

1.3 为什么不能把“分类网络”直接拿来做检测？

这是理解整个家族最重要的问题。分类网络输入一张整图、输出“这是什么”；而检测要求位置必须对准。直接把分类网络搬过来会处处碰壁：

• 分类只关心“有没有猫”，不关心“猫占哪几格像素”，网络天然会把位置信息一点点“抹平”；
• 于是 R-CNN 家族共用一个反直觉但极其有效的思路：化整为零——先把图切成一个个候选区域，再逐个判断“这里面是什么、框要不要修一下”。

二、发展史总览：四代模型，一代修一个“硬伤”

先看全景图，再逐代细讲：

图 2｜R-CNN 家族进化时间轴：绿卡 = 本代核心升级，红卡 = 留给下一代的“新问题”

🤔 怎么读这张图？从下往上读：时间轴上依次排开四代模型，每代头顶一张绿卡（它干了什么大事）和一张红卡（它留下了什么麻烦）。你会发现一条铁律——每一代都在修上一代最痛的地方，同时必然留下一个新的小坑：

• 第 1 代 R-CNN：把深度学习带进检测，可“一张图 47 秒”直接劝退所有人；
• 第 2 代 Fast R-CNN：共享卷积、提速 146 倍，可“找候选框”还卡在 CPU 上；
• 第 3 代 Faster R-CNN：连“找框”也训练成网络，真正端到端、每秒 5 帧；
• 第 4 代 Mask R-CNN：让网络不但“框住”，还能“逐像素抠出”物体轮廓。

这就像盖房子：打好地基嫌墙砌得慢，就换预制框架；框架搭好又嫌窗户漏风，再换密封条……这种“瓶颈驱动”的演进，正是许多算法家族共同的成长模式。

三、逐代拆解：每一代升级了什么？解决了什么？为什么必须升级？

先记住下面这张“流水线对比图”，后面每一节的内容都能在图上找到对应的一行：

图 3｜四代模型的内部流水线对比：灰 = 输入图片；黄 = 仍需外部 CPU 的传统环节；蓝 = 深度学习自己干的活；绿 = 输出

🤔 怎么读这张图？四行分别画了四代模型“从图到框”的处理流程。黄色越少，说明越不需要外部工具；蓝色越多，说明网络自己越全能。请注意第一、二代里刺眼的“黄色环节”，再看第三代它如何消失——这个家族的进化方向，就是“把一切交给网络”。

3.1 第 1 代：R-CNN（2014，CVPR）——把 CNN 第一次搬进目标检测

对应上图第 1 行。思路一句话：先猜后认，分三步走：

1. 猜位置：用传统算法 Selective Search 把一张图切出约2000 个“可能是物体”的候选框（CPU 上完成）；
2. 看内容：把每个候选框缩放成统一尺寸，分别送进 CNN 提特征——注意，每个框都要完整跑一遍网络；
3. 下结论：用 SVM 判断“这是什么类别”，再用一个回归器把框“修得更加贴边”。

它解决了什么？这是史上第一次用 CNN 做检测：在 VOC2010 上把 mAP 从传统巅峰 DPM 的 33.4% 直接拉到53.7%——一口气涨了约 20 个百分点。从这一刻起，深度学习正式接管目标检测。

为什么必须升级？因为它的“准”是拿“笨”换来的，痛点肉眼可见：

3.2 第 2 代：Fast R-CNN（2015，ICCV）——让 2000 个候选框“拼车”共享一次卷积

对应上图第 2 行。上一代的痛点是“重复计算”，这一代的解法是四个字：共享特征。

1. 整张图只过一次 CNN，得到一张“全图特征图”；
2. 引入RoI Pooling：候选框不再自己跑 CNN，而是拿着坐标，直接从特征图上“抠”出自己那块区域的特征；
3. 分类和框回归塞进同一个网络一起学——训练从“三段式”变成“一步到位”。

升级成果：

• 速度：测试约0.32 秒/张（网络部分），比 R-CNN 快146 倍（再做一层 SVD 压缩可到 213 倍）；
• 训练：84 小时 →9.5 小时，而且再也不需要几百 GB 的特征缓存；
• 精度：VOC2007 mAP 从 66.0% 升到70.0%（07+12 联合训练数据）——又准又快。

为什么必须升级？47 秒一张图，连做研究都嫌慢，更别说落地。但 Fast R-CNN 自己也留了个大尾巴：候选框还得靠 CPU 上的 Selective Search 现场猜，每张图要花 1.5～2 秒，占了系统总耗时的大头。于是——“找框”，成了新的瓶颈。

3.3 第 3 代：Faster R-CNN（2015，NIPS）——连“找框”也学会：RPN 登场

对应上图第 3 行。请重点看：这一行的黄色环节消失了。

上一代把“认框”做到了极致，系统里最慢的只剩“找框”。Faster R-CNN 的答案很绝：干脆把“找框”也训练成一个神经网络——RPN（区域建议网络）：

• RPN 在特征图的每个位置上预置一些大小、长宽比不同的anchor（锚框），一边判断“这个框里有没有物体”，一边修正“框该多大、往哪挪”；
• RPN 与检测网络共享卷积特征，“找框”的成本从 CPU 的约 2 秒降到 GPU 的约 10 毫秒；
• 最终串成RPN（猜在哪）→ RoI Pooling（抠特征）→ 分类＋回归（认是什么），这就是后来所有“两阶段检测器”沿用至今的教科书范式。

升级成果：

• 速度：全流程198ms/张 ≈ 5fps（VGG16，找框识别一把抓；换轻量 ZF 网络可达 17fps），对比 R-CNN 快了约240 倍；
• 精度：VOC2007 mAP 升到73.2%（07+12），比“Fast R-CNN + CPU 选框”还高；
• 江湖地位：COCO / ILSVRC2015 年竞赛多个冠军方案的地基。

为什么必须升级？升级之前，检测系统是“一头（识别）坐火箭、一头（找框）赶牛车”——只要找框还在 CPU 上爬，系统就永远到不了实时。RPN 把找框并进网络后，检测第一次变成纯 GPU、端到端、接近实时的完整系统。

3.4 第 4 代：Mask R-CNN（2017，ICCV）——从“框住”到“像素级抠出来”

对应上图第 4 行。Faster R-CNN 已经“既快又准”，但它的输出只有框：框住一只长颈鹿，你知道它大致在哪，却不知道四肢的轮廓。Mask R-CNN 把任务再升一级，做起实例分割（给每个物体输出逐像素的轮廓）：

• 加分支：在“分类＋回归”旁边，并行加一条Mask 分支，逐像素判断“这个像素属不属于该物体”；
• 修 bug：原 RoI Pooling 取特征时会“四舍五入”，造成像素对不齐——画框无所谓，画轮廓就是灾难。作者提出RoIAlign，用插值消除错位，论文里 mask 精度因此提升约 10%~50%；
• 结果：检测（框）＋实例分割（轮廓）双输出，速度仍约 5fps，只比 Faster R-CNN 多一点点开销；顺手还能做人体的关键点检测。

它有多成功？ICCV 2017 最佳论文；以单模型就超越了 COCO 2016 实例分割挑战赛冠军（对方还堆了多尺度、OHEM 等全套技巧），检测、分割、关键点三条赛道通吃。

它留下的“作业”：任务越精细，对算力、数据、标注的要求越高；同时，“先框后认”这套两阶段流程虽然准，却把速度的上限留给了另一条路线——不依赖候选框、单次前向直出结果的单阶段检测器（如 YOLO）。

3.5 成绩单 & “为什么必须升级”的本质

把四代的公开数据摆在一起看（数值引自各论文，GPU 与测试环境略有差异，请只看数量级和趋势）：

图 4｜R-CNN 家族的“成绩单”：左 = 每张图的处理时间（对数坐标，越短越快）；右 = VOC2007 检测精度（越高越准）

🤔 怎么读这张图？左边那根孤零零顶到天的大红柱是 R-CNN 的 47 秒；到 Faster R-CNN 只剩约 0.2 秒——快了约 240 倍。与此同时，右边的精度柱还一路走高：66.0% → 70.0% → 73.2%，又快又准。这正是这个家族最迷人的地方：升级不是为了牺牲，而是双赢。

把四代串起来，就是一条完整的“瓶颈驱动进化”链：

手工特征精度见顶 →（痛点）深度学习进场做检测（R-CNN），但重复计算太慢
→（痛点）共享卷积提速 146 倍（Fast R-CNN），但 CPU 找框成了新瓶颈
→（痛点）RPN 端到端、5fps（Faster R-CNN），但只会给“框”
→（痛点）Mask 分支 + RoIAlign，像素级输出（Mask R-CNN）

所以，为什么“必须”一代代升级？因为每一代的新能力，都会立刻暴露新的短板：不够快就没法用，不能端到端就不好训，只会给框就满足不了越来越细的需求。技术的演进从来不是“想升级就升级”，而是问题一步一步逼出来的。

四、结尾：一张表看全整个家族

4.1 家族全览表

📌 注：数值均引自各论文公开结果，统一使用 VGG16（Mask R-CNN 为 ResNet-101-FPN）；Fast / Faster 的 70.0% / 73.2% 使用 VOC07+12 联合训练，R-CNN 的 66.0% 为 VOC07 训练。速度会随 GPU 型号与实现方式浮动，请以论文原文为准。

4.2 一个还没解答的问题

到这里，这张表回答了“谁解决了谁的问题”，但还留下一个更关键的空白：每代模型具体是怎么做到的？

• Selective Search 凭什么能从一张图里“猜”出约 2000 个候选框？
• RoI Pooling 如何把大小不一的候选框变成统一尺寸的特征？
• RPN 如何判断“框住 vs 不框住”，一组 anchor 又凭什么覆盖各种形状的物体？

这些问题的答案，才是 R-CNN 家族真正值钱的技术内核，也是后续各篇逐一代入细节的主线。而这一切的起点，是 2014 年那个最“笨”也最“敢”的模型——R-CNN 自己。

📚 数据与事实来源：R-CNN（arXiv:1311.2524）· Fast R-CNN（arXiv:1504.08083）· Faster R-CNN（arXiv:1506.01497）· Mask R-CNN（arXiv:1703.06870）。