企业官网建设流程全解析

想真正理解目标检测这些年几十个模型的来龙去脉，先看这一条主线就够了：R-CNN、Fast R-CNN、Faster R-CNN。这三个名字在论文里挨得很近，在代码里也经常被放在一起对比，但它们并不是三个并列的模型，而是同一条脉络上的三次关键决策。每一步都在解决上一个版本留下的最痛的问题，但每一次选择又会在别处留下新的限制。我当年把这几篇论文和代码对着读了好几遍，才真正体会到什么叫“结构跟着瓶颈走”。这篇就按这条发展线把三代模型拆开讲，讲清楚它们各自怎么工作、为什么必须这样改、改进的代价是什么，也会把我复现和调试过程中的实际体会一并写出来。适合刚入门检测的读者，也适合准备面试、想把两阶段检测器讲明白的人。

1. 检测任务的核心矛盾：先找出“在哪”，再回答“是什么”

1.1 分类与检测：看似相近，任务难度完全不同

图像分类只问一个问题：这张图里最主要是哪个类别。网络看完整张图，输出一个概率分布，哪怕图里同时有五个物体，分类任务也只会挑最主要的那个答案。检测不一样，它要同时回答两个问题：图里有哪些物体，它们各自在什么位置。而且物体的数量不固定、大小不固定、长宽比不固定，一张图里可能只有一个物体，也可能密密麻麻排了几十个。

这两个问题叠加在一起，就把一个看起来很简单的视觉任务变成了一个组合搜索问题。早期很多做法之所以效率低，恰恰是因为它们没有把“找位置”这件事和“认类别”这件事分开处理，而是用蛮力去扫。

1.2 深度学习出现以前，大家都靠什么做检测

在卷积网络大规模应用之前，主流检测方案基本逃不开“滑动窗口+手工特征”这个框架。思路非常朴素：既然不知道物体在哪、有多大，那就把所有可能的位置和尺寸都扫一遍。窗口从左上角开始，按一定步长平移，每换一个位置就把窗口里的图像区域抠出来，提一组手工特征，比如颜色直方图、梯度方向直方图、纹理特征，再丢给一个分类器判断是不是目标。

这个思路在概念上很简单，但算一算就知道有多绝望。一张普通分辨率的图，如果按不同尺度、不同长宽比铺开窗口，数量动辄十几万甚至几十万个。每一个窗口都要重新提一次特征，再做一次分类。早期做行人检测的经典系统，一张图就要跑很久，而且窗口扫过去，大量背景区域被当成候选，误检率也被抬得很高。那个时代的检测器就像在图书馆里找一本书，但方法是把每一排书架从头到尾一格一格打开看。

1.3 卷积网络出现后，大家真正缺的是什么

卷积网络在分类任务上把特征表达能力拉高了一大截，这给了检测一个全新的可能性：能不能用卷积网络提特征来做检测？但这里卡着一个很实际的问题。分类网络是“整图进、标签出”，它天然不知道自己该把注意力放在图的哪个位置。检测需要的是把图中的潜在目标一个个“抠”出来，再逐个判断，这涉及一个后续分类网络不擅长的步骤：怎么找到候选区域。

换句话说，那时候的学术界已经有了非常强的特征提取工具，缺的只是一个合理的“候选区域机制”。谁能把这两个东西优雅地接起来，谁就能把检测带上一个新台阶。R-CNN做的正是这件事，虽然它接得并不优雅。

2. R-CNN：第一次把候选区域喂给卷积网络

2.1 核心思想：与其盲扫，不如先猜一堆“可能的位置”

R-CNN的全称是Region-based CNN，思路可以浓缩成一句话：先找出图上可能包含物体的区域，再对这些区域逐个用卷积网络分类。它和滑动窗口最本质的区别是，不再用穷举的方式扫描整张图，而是先用一个独立的算法生成一批候选区域，通常数量在两千个左右。

这个数量的对比是震撼的：从十几万个暴力扫描窗口降到两千个候选区域，计算量一下子缩小了一两个数量级。当然，两千个也不算少，但已经是可以接受的规模了。这里用的候选区域提取方法是Selective Search，它不依赖深度学习，而是基于图像的颜色、纹理、尺寸等底层线索，把相似的相邻区域不断合并，最后输出一组覆盖不同尺度、不同长宽比的候选框。

我当时第一次看到这个流程时觉得有点分裂：前面提特征用了当时最强的卷积网络，候选区域却还是传统的图像分割算法，像一个机器人用了最先进的芯片，却还在用老式雷达找障碍物。但这恰恰是它成功的地方——先把整体流程跑通，再逐个换掉薄弱环节。

2.2 流程拆解：一张图从输入到输出的完整路径

完整跑一遍R-CNN，流程是这样：

1. 输入一张图像，用Selective Search生成大约2000个候选区域（region proposal）。
2. 把每个候选区域从原图中裁剪出来，缩放到统一尺寸。原论文里用的是227×227，缩放时会先在候选框周围留一些padding，避免把物体边缘信息切掉。
3. 把缩放后的图像块送入一个在ImageNet级别的大规模图像分类数据集上预训练过的卷积网络，再在检测数据集上微调，取最后一个全连接层之前的特征，通常是4096维的向量。
4. 对每个类别单独训练一个线性SVM二分类器，用这个4096维特征判断“是否属于该类”。
5. 同时训练一个边界框回归器，对框的位置做精细修正。
6. 同一目标可能被多个候选框命中，最后用NMS（非极大值抑制）去掉重叠过高的冗余框。

每一步单独看都很直白，但把它拼起来，就能看到一个完整的检测系统雏形：候选区域负责“猜”，卷积网络负责“认”，回归器负责“修”，NMS负责“过滤”。

2.3 为什么分类器选SVM，而不是直接用网络的softmax层

这是很多初学者最容易困惑的地方。卷积网络最后一层明明自带softmax分类，R-CNN为什么还要额外训练2000个候选区域对应的SVM？原因在于两者的正负样本定义不一样，训练目标存在冲突。

微调卷积网络的时候，正样本通常是IoU大于某个较大阈值（比如0.5）的区域，负样本是IoU很低的背景区域，在这种宽松定义下训练的softmax分类器，容错度比较高。而SVM要求更严格：它对“一个区域是不是某类目标”的边界判断更谨慎，原文实验显示，在同样的特征下，把CNN微调阶段的softmax换成语义更清晰的SVM，mAP会更高一些。此外，SVM是在CNN提取出的固定特征上单独训练的，可以针对每个类别做难例挖掘，处理类别不平衡更灵活。

但我自己复现这个思路的时候的感受是：SVM带来的提升其实有限，它更像是一个“工程上更精细的选择”。真正的代价是存储和训练复杂度。

2.4 里程碑意义与让人头疼的代价

R-CNN在当年的公开检测数据集上把mAP提升了一大截，和传统方法相比几乎是碾压式的。这是第一次用实验证明了一件事：用卷积网络提取的深度特征，比任何手工特征都好用，只要给它一个合理的候选区域，它就能完成高质量的检测。

但它的缺点同样明显。第一，训练是多阶段的：候选区域生成、CNN微调、SVM训练、边界框回归器训练，四个阶段要依次进行，每一阶段的结果都会影响后面的效果，调试起来非常麻烦。第二，每张测试图要跑约2000次CNN前向，因为每个候选区域都单独过一遍网络，速度慢得离谱。第三，所有候选区域的特征都要保存到硬盘上供SVM训练使用，我当时算过一次，几千张图的特征动辄几百GB，换块硬盘比调参还刚需。

正因如此，今天几乎没有人再去复现完整的原版R-CNN流程了。但没有任何人能绕过它，因为后面所有改进，本质都是在回答同一个问题：能不能别让每个候选区域都单独过一遍网络？

3. Fast R-CNN：把上千次前向浓缩成一次，训练也变成一条流水线

3.1 突破口：整图只做一次卷积，候选区域映射到特征图上

Fast R-CNN的改进逻辑非常清晰：R-CNN里每个候选区域都要单独送进CNN提取一次特征，实在太浪费了。这些候选区域本来就来自同一张图，图像内容高度重叠，凭什么不能在全图上只做一次卷积，然后把候选区域从原图坐标系映射到卷积后的特征图坐标系，直接在特征图上抠出对应区域？

这个映射关系是固定的：卷积网络每一层输出的特征图，和原图之间保持着确定的位置比例关系。具体到某个候选区域，只需要做一个坐标变换和缩放，就能知道它在特征图上对应哪一块。这样一来，不管图里有多少个候选区域，卷积的骨干网络只需要跑一遍。这一下就把R-CNN最昂贵的计算开销打掉了。

3.2 RoI Pooling：把大小不一的候选区域变成固定尺寸的特征

候选区域的尺寸千差万别，有的又高又窄，有的又宽又扁，映射到特征图上之后，对应的区域也是大小不一的。但后面的全连接分类层要求输入是固定长度的向量，所以必须把不同尺寸的区域统一成一个固定尺寸。

RoI Pooling就是干这个的。它的做法是：把某个候选区域在特征图上对应的区域，划分成一个固定数量的网格，比如原文里常用的7×7，一共49个格子。对每个格子内部的像素做max pooling，取最大值作为这个格子的输出。这样不管原始区域多大，最终都变成一个7×7的输出，接下去就可以送进全连接层了。

用生活里的例子理解：RoI Pooling就像把一堆不同尺寸的照片统一缩放成同一个标准相框，只不过缩放方式不是简单拉伸，而是在每个小格子里挑最重要的像素。这个设计让网络可以在不裁剪、不改变原图信息的情况下处理任意尺寸的候选区域，是很漂亮的一手。

3.3 联合训练与多任务损失：把分类和回归放进同一个网络

Fast R-CNN去掉的还有R-CNN那种多阶段训练。整个网络只剩下两个部件：一个共享的卷积骨干，加上一个检测头。检测头分两支，一支输出各类别的softmax概率，一支输出边界框的回归参数。损失函数是两者的加权和：分类用softmax的交叉熵损失，回归用smooth L1损失。

联合训练带来的好处不只是代码上少写几个模块，更重要的是梯度能同时回传到整个骨干网络。R-CNN里SVM训练阶段是完全独立于CNN的，CNN看不到SVM的错误信号，特征提取的优化方向做不到和检测目标强对齐。Fast R-CNN把这一步打通了，整个网络朝着检测目标一起优化，分类误差和回归误差一起反传，骨干特征会变得更“懂”检测。这是精度能提升的关键原因之一。

另外还有个值得一提的细节：论文里对全连接层的矩阵做了SVD分解，把一个大的权重矩阵拆成两个小矩阵的乘积，推理时降低计算量。放在当时这是很务实的优化手段，放在今天看，这个思路其实已经不太流行了，但它体现了一个原则：能压推理计算的地方都要压，别让分类头成为瓶颈。

3.4 数据流里的工程细节：RoI采样策略

训练时不能把图里所有候选区域都拿来算损失，也没有必要。Fast R-CNN采用的办法是：一个mini-batch里取两张图，每张图随机采样固定数量的RoI，常见配置是一张图采64个RoI，其中和背景的比例大概3:1。正样本是IoU大于0.5的区域，负样本是IoU在0.1到0.5之间的难背景。这个采样策略很关键，它保证了每个batch里既有很多目标框，也有足够有代表性的背景框，分类器不会一边倒。

很多人训练时忽略这个比例，直接拿全部候选区域跑，结果是正负样本失衡，训练半天loss不降。我建议不管用什么框架复现，先确认一下RoI采样逻辑，别默认框架帮你把一切做对了。

3.5 提速的成绩与一个仍然扎眼的瓶颈

Fast R-CNN在论文里的对比数字很能说明问题：训练速度大约是R-CNN的9倍，推理速度大约提升25倍，精度还比R-CNN略高。这个提升让我印象深刻的不是哪个具体数字，而是同一个骨干网络、同一个候选区域来源，仅仅改变计算复用方式，就能带来如此巨大的效率变化。

但只要你跑过一遍就会注意到，速度瓶颈已经不在CNN了，而在候选区域生成这一步。Selective Search本身是传统算法，单张图要跑几百毫秒甚至更久，而且它完全独立于网络，无法根据检测结果调整自己的建议。当主干网络越来越快的时候，这个外部依赖就会成为整个系统里最慢的一环。到了这一步，几乎所有研究者都看到了同一个结论：候选区域也必须变成网络的一部分，不能再靠外面那个“老雷达”了。

4. Faster R-CNN：让网络自己学会“找目标”

4.1 一个关键反问：为什么不能用同一个特征图来预测“哪里可能有目标”

Fast R-CNN的卷积骨干在全图上提取了一次特征，覆盖了整张图的语义信息。这个特征图既包含“这张图里有什么”，从理论上讲，也包含“这些东西大概在哪个位置”。既然RoI Pooling能从特征图里抠出候选区域对应的特征，那就说明特征图里已经完全具备定位线索了。

Faster R-CNN的决定性一步，就是别再让Selective Search在外面猜，而是让这个特征图自己输出一组候选区域。为此论文提出一个新的模块——Region Proposal Network，RPN，区域提议网络。RPN和Fast R-CNN的检测头共享同一个卷积骨干特征图，它做的事情可以理解为：在特征图的每个位置上，同时预测“这里有没有目标”和“目标框大概长什么样”。

4.2 RPN的机制：滑窗加锚点，把“找候选”变成“做回归”

RPN的结构不复杂。它在共享特征图上用一个小的滑窗窗口扫过每个位置，对每个中心位置，同时考虑k种不同尺寸和长宽比的参考框，这些参考框被称为锚点（anchor）。原文默认k为9，也就是3种尺度、3种长宽比，常见配置是面积对应原图约128、256、512平方像素，长宽比取0.5:1、1:1、2:1。这样一张图上的锚点数量加起来可能有几万个。

每个锚点会经过一个小网络输出两组结果：一组是这个锚点代表的位置“是前景还是背景”的二分类分数，另一组是四个回归参数，对锚点框做微调，修正成更精确的候选框。整个过程相当于网络把候选区域的生成从“靠外部算法看颜色纹理”变成了“根据深度特征判断语义+回归坐标”。

我第一次接触anchor概念时觉得它有点抽象，后来换了个视角就理解了：可以把RPN的输出看成“在做一件和检测头非常相似的事情，只不过类别只有前景和背景两类，且对框的质量要求宽松很多”。RPN的作用不是精确框出目标，而是给出一个召回率高、初步紧贴目标的候选集合，精确的分类和回归交给下一阶段的Fast R-CNN检测头来做。

4.3 锚点是怎么学习的：RPN的训练规则

RPN训练时，每个锚点需要打标签。规则是：和某个真实目标框IoU最高的那个锚点标记为正样本；或者任何锚点与某个真实目标框的IoU大于0.7，也标记为正样本。反面规则是，锚点与所有真实目标框的IoU都小于0.3，标记为负样本。介于0.3到0.7之间的锚点不参与训练，因为它们处于模糊地带，既不太像前景，也不太像背景，硬要分类只会给梯度带来噪声。

为了控制正负样本不平衡，训练时不会拿全部锚点算损失，而是随机采样一小部分，比如每张图256个锚点，尽量保证正负样本接近1:1。理论清楚之后，你会发现RPN的训练其实很像一个简化版的小目标检测器，只不过它的目标只有两类：有目标、没目标。

4.4 两个模块怎么共享特征：训练时的几种做法

Faster R-CNN在论文里给出了几种训练策略，理解这个能让你的代码调试少走很多弯路。

第一种是交替训练：先训练RPN，用RPN生成的候选框训练Fast R-CNN检测头，然后再用初始化后的权重重新训练RPN，如此交替迭代。第二种是近似联合训练：把RPN和Fast R-CNN合并成一个大网络一起训练，RPN输出的候选框在训练中被当做一个常数，梯度近似后向传播。第三种是真正的联合训练。

实际操作中，今天的主流框架大多采用类似联合训练的做法，用一个综合的损失函数同时优化RPN和检测头。这里有一个我踩过的坑：如果两部分的收敛速度不一样，直接端到端可能让RPN还没学会“提好框”，检测头就输出了大量噪声框，最终精度反而差。解决办法是先让骨干网络在某一个任务上预热一段，或者用较小学习率启动RPN。

4.5 效果与结构代价

Faster R-CNN在当年的公开检测数据集上，把mAP提升到约73%，在当时的单块GPU上推理速度可以达到每帧5帧左右，虽然是准实时的水平，但已经比Fast R-CNN快了一个数量级，更重要的是整个系统从预处理到最终输出全部进入了网络。从这时开始，“候选区域”不再是外部算法，而是网络自己学习出来的能力，这个范式后来被称为两阶段检测器，统治了检测领域很长一段时间。

代价也很明确：整个系统仍然是一个两阶段的串行结构，RPN先出框，检测头再精修，二者虽然共享骨干，但各自的头部和损失逻辑都还在。计算流程比后来出现的单阶段方法要复杂，这也是后来YOLO和SSD能另立山头的原因——它们想要的是“一次前向直接输出所有框和类别”，不去拆成两个阶段。

4.6 从RPN到检测头：一条完整的数据流

我再把Faster R-CNN推理时的完整数据流串一遍，方便你建立整体直觉。图像送入骨干网络，得到特征图；特征图同时输入RPN，RPN在特征图每个位置根据锚点输出前景分数和修正后的框坐标；对这些框按分数排序，经过NMS过滤掉大量重叠框，留下大约一两百个候选区域；这些候选区域映射到特征图上，经过RoI Pooling取出固定维度特征；最后经过检测头，输出每个候选框的类别分数和精确的边界框坐标；再一次NMS得到最终结果。

可以看到，R-CNN时代的“生成候选、提取特征、分类、回归”四段式流程全部保留了下来，只不过每一个步骤都被换成了可学习的网络模块。这就是Faster R-CNN被称为奠基性工作的原因：它把整个检测流水线统一成了一个端到端可训练的神经网络。

5. 三代模型放在同一张表里看：突破、代价与遗留问题

5.1 一张对比表看清三代的差异

很多资料把三代模型分开讲，读者容易记混。我觉得放一张对比表放在中间，反而能帮读者快速建立起全局视角。表格关注的是实现层面最本质的差异，而不是具体数值。

这张表列的每一行，都对应着一次明确的技术决策。读的时候可以一行一行看：候选区域从外部算法变内部网络，是三代演进最核心的那条线；训练流程从四段式变成统一网络，是工程可复现性的大步提升；前向次数从两千次降为一次，是整个系统速度变化的最直接原因。

5.2 本质主线：把外部依赖一步一步内化成网络能力

如果只记一个结论，我会记这条：三代R-CNN的演进，本质上是在反复做同一件事——把原先靠外部算法、手工规则、分阶段处理完成的环节，一步一步替换成网络内部可学习的模块。R-CNN把特征提取换成了CNN，但候选区域还在外部；Fast R-CNN把候选区域的特征提取统一进了网络，但候选区域本身还在外部；Faster R-CNN终于把候选区域生成也变成了网络的一部分。

这条主线放到今天依然适用。现在的目标检测领域里，anchor是否要手工设计、NMS是否要被替代、多尺度特征是否要手动融合，这些问题本质上都还在延续“把外部规则往网络里搬”的同一个方向。理解了这个逻辑，你再看后面的FPN、OHEM、RoI Align这些改进，就能自动找到它们在主线上的位置。

5.3 对后续检测模型的影响：两阶段范式的扩散与反击

Faster R-CNN把两阶段范式定型之后，后续一大批工作都是在这条路上修修补补。FPN在骨干网络里增加了自顶向下的多尺度特征融合路径，解决了小目标检测中特征图分辨率不足的问题；网络向Mask R-CNN添加了一条分割分支，同样沿用“RPN出框+检测头精修”的结构。可以说，只要一个模型内部还有“先提候选、再精分类”的串行结构，它的血统里就带着Faster R-CNN的基因。

同时，单阶段方法也迅速崛起，YOLO把检测重新定义为“一次回归”，SSD则将多尺度锚点直接铺满特征图，它们换来的是更快的速度，代价是精度往往要弱一点。之后的很多改进，比如RetinaNet用focal loss处理单阶段方法里的极端正负不平衡，本质上都是在跟两阶段方法在精度上掰手腕。看到这里你会发现，单阶段和两阶段的缠斗，根源正是R-CNN这条线里“先提框再分类”与“直接输出”两种设计哲学的对撞。

5.4 学习和面试时可以怎么抓重点

如果是为了学习或准备面试，建议不要背模型介绍，而是背“每个版本解决了什么问题，引入什么新概念，代价是什么”。比如R-CNN的标签是“候选区域+卷积特征”，Fast R-CNN的标签是“RoI Pooling+联合训练”，Faster R-CNN的标签是“RPN+锚点”。当你能够清楚说出每个概念对应的瓶颈时，就说明真的理解了。

面试里还有一个高频追问是“为什么不直接一步到位做端到端”。答案不是技术做不到，而是每一步的跳跃都有风险：如果一开始就把候选区域交给网络学，当网络还没有能力生成合理候选区域时，整个检测系统会完全崩溃。R-CNN线之所以一步一步演进，是因为每次只改一个变量，能更好地定位哪一步带来了提升。这是研究方法的智慧，也是工程上稳健性的体现。

6. 复现过程中的实际体会与调参细节

6.1 别急着从零实现，先用现成框架跑通再改

原版R-CNN的完整流程，今天几乎不会有人复现了——光是把每个候选区域的特征存到硬盘这一步，就足够劝退大部分实验者。我建议学习时这样做：先用主流深度学习框架里的两阶段检测实现，把Faster R-CNN整个训练和推理流程跑起来，再回头对照论文，把R-CNN和Fast R-CNN的差异在代码里标记出来。

跑通后再做一件事：把RPN的中间输出可视化。我当时直接把RPN产生的锚点、NMS之前的候选框、NMS之后的候选框分别画在图上，很快就能看出锚点在密集区域重叠严重、在小目标上覆盖不足的问题。这种直观感受比读十遍论文都强，强烈建议做一遍。

6.2 锚点参数的坑：默认配置并不总是合适

原论文里的锚点是3种尺度、3种长宽比，总面积按原图像素计算。这个配置在当时的公开检测数据集上很好用，但它高度依赖数据集里目标的大小分布。如果你的数据集以小目标为主，比如很多行人检测场景，目标在原图里只占几百个像素，那默认锚点里最顶层的尺度可能完全覆盖不到，最终表现为RPN召回率很低，大量真实目标在第一步就被过滤掉了。

遇到这种情况，常见的调整方向有三种：提高输入图像分辨率，让小目标在特征图上占据更多像素；使用特征金字塔结构，让RPN在多个分辨率上分别出框；调整锚点的尺度和长宽比，让它贴近数据集的真实分布。我记得有一次只把锚点的最小尺度调小了一档，小目标检测的召回率就明显改善，可见锚点和数据集匹配度的影响有多直接。

6.3 NMS阈值和RoI采样比例是两把看不见的刀

NMS虽然只是一个后处理步骤，但它对最终结果的影响经常被低估。RPN阶段的NMS一般建议用0.7，因为这里希望多保留一些候选框，宁可漏掉后面的精修机会；但检测头输出后的NMS，很多框架默认0.3到0.5。如果你发现最终检测结果里同一个物体出现多个框，说明最终的NMS阈值调得太高；反过来，如果一个物体附近明明有很紧的框，却全被抑制掉了，说明阈值太低。

RoI采样比例同样要舍得调。训练时正负样本的比例如果失衡，比如负样本占了95%以上，分类器很容易倾向把所有框都判为背景。我在早期尝试时，为了偷懒把采样逻辑直接删掉，全量RoI参与训练，结果loss下降很快但精度很糟——这就是因为网络在“见大量背景”和“分类准确”之间找到了偷懒的平衡。结论是：采样比例看起来是小配置，但它是整个训练稳定性的地基。

6.4 坐标缩放的一致性、RoI量化误差、预训练权重

复现过程中最容易出的bug往往不神奇，而是“图变了，框没跟着变”。训练时统一把图缩放到了固定尺寸，但标注框还是原图坐标，RoI映射到特征图时如果没做同步缩放，候选框就会集体漂移。建议在数据预处理流水线里，把缩放系数显式传给后续所有阶段，别在某个回调函数里悄悄改了图却忘了改框。

另一个容易踩的是RoI池化中的量化误差。RoI Pooling在映射和分格时会对浮点坐标做取整，偶尔会让框的位置偏移一个像素，在小目标上影响尤其明显。后来出现的RoI Align用双线性插值替代取整，把这个问题基本解决了。但如果你还在基于更早的实现做实验，心里要清楚取整误差是存在而且不可忽略的。

预训练权重也值得多说一句。骨干网络建议先在大规模图像分类数据集上预训练，再拿到检测数据集上微调。直接随机初始化从头训练，检测精度往往会差好几个点，而且收敛慢得多。我在一次赶时间的实验里跳过了预训练，结果模型训了很久还在低频震荡，后来老老实实加载预训练权重，才算找回正常节奏。

6.5 从两阶段到现代检测：这套基本功依然值钱

现在有很多更新的检测方法，有些不再使用锚点，有些把两阶段简化为单阶段，有些用Transformer直接建模目标之间的关系。但回头看，R-CNN这条线留下的几个基础问题——候选区域怎么产生、特征怎么共享、损失怎么联合、采样怎么平衡——依然是设计一个检测器时必须回答的。理解了这些问题，你读任何新论文都不会觉得飘，因为底层框架你已经能搭出来了。

我自己把三代模型一轮一轮对照下来，最大的体会是：技术的演进从来不是靠突然冒出来的新结构，而是靠一针一针把卡脖子的环节替换掉。R-CNN把特征提取这块补上了，Fast R-CNN把计算复用这块补上了，Faster R-CNN把候选区域这块补上了，下一针补哪里，永远是下一个模型的事。这也是这条发展史让人觉得最有意思的地方——它不像一部英雄史，更像一部技术在自我修补中不断变强的进化史。