写在前面2015 年 Faster R-CNN 问世时所有人都说这就是目标检测的终局。结果 1 年后一个叫 YOLO 的愣头青说“你那两段式太慢了让我一次搞定”。从此目标检测分成了两个阵营——两阶段派和单阶段派。10 年过去了YOLOv5 在 VOC2007 上跑出了 140FPS比 Faster R-CNN 快了将近 10 倍。这 10 倍的差距是从哪来的目录一、两阶段 vs 单阶段本质差异到底是什么1.1 目标检测的两大流派1.2 范式差异的哲学根源二、Faster R-CNN候选区域到底浪费了多少算力2.1 Faster R-CNN 的两段式流程2.2 候选区域生成RPN的工作原理2.3 算力浪费的三大元凶2.4 Faster R-CNN 的 PyTorch 实现三、YOLOv5140FPS 是怎么省出来的3.1 YOLOv5 的单阶段流程3.2 单阶段的省法3.3 YOLOv5 实战代码3.4 关键性能数据四、性能实测对比一张表看清差距4.1 精度对比4.2 速度对比推理一张 640×640 图4.3 显存占用对比五、特征共享机制单阶段如何提升效率5.1 Faster R-CNN 的重复劳动5.2 YOLO 的一次提取5.3 特征共享的数学解释六、选型决策什么场景用什么6.1 决策树6.2 场景选型表七、避坑指南选错范式的代价坑 1自动驾驶选 Faster R-CNN 车祸坑 2工业质检选 YOLO-nano 漏检坑 3医学影像选 YOLO 误诊坑 4训练硬件不匹配八、总结选范式就是选业务8.1 核心结论8.2 5 大核心 Takeaway一、两阶段 vs 单阶段本质差异到底是什么1.1 目标检测的两大流派graph LR A[目标检测范式] -- B[两阶段派br/Two-Stage] A -- C[单阶段派br/One-Stage] B -- B1[代表: Faster R-CNNbr/精度优先] B -- B2[流程: 候选区域分类回归] C -- C1[代表: YOLO/SSDbr/速度优先] C -- C2[流程: 端到端一次出结果] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#FFD93D,color:#0001.2 范式差异的哲学根源维度两阶段Two-Stage单阶段One-Stage核心理念先找区域再精修一次看完直接出代表算法Faster R-CNN、Cascade R-CNNYOLO、SSD、RetinaNet精度⭐⭐⭐⭐⭐⭐⭐⭐⭐最新版本速度⭐⭐5-10 FPS⭐⭐⭐⭐⭐100-200 FPS适用场景离线分析、医学影像实时检测、自动驾驶训练难度高多阶段损失低端到端效率技巧选范式的核心是看业务对速度 vs 精度的权衡。自动驾驶宁可漏检也不能卡顿——选 YOLO医学影像可以等 10 秒——选 Faster R-CNN。二、Faster R-CNN候选区域到底浪费了多少算力2.1 Faster R-CNN 的两段式流程sequenceDiagram participant I as 输入图像 participant R as RPN 网络 participant P as 候选框 (~2000个) participant D as 检测头 participant O as 最终结果 (~100个) I-R: 1. 提取特征图 R-P: 2. 生成 ~2000 个候选区域 P-D: 3. RoI Pooling裁剪特征 D-O: 4. 分类 边界框回归 Note over I,O: 总耗时: 150-200ms2.2 候选区域生成RPN的工作原理graph TB A[特征图br/H×W×256] -- B[3×3 滑动窗口] B -- C[每个位置生成 9 个 Anchorbr/3 尺寸 × 3 长宽比] C -- D[2 个分支] D -- E[分类分支br/前景/背景] D -- F[回归分支br/边框精修] E -- G[过滤背景 Anchor] F -- G G -- H[Top-N 候选区域br/~2000 个] style A fill:#4ECDC4,color:#fff style H fill:#FF6B6B,color:#fff2.3 算力浪费的三大元凶graph TD A[Faster R-CNN 算力浪费] -- B[元凶 1: 候选框过多br/2000 个里 95% 是背景] A -- C[元凶 2: 串行计算br/必须等 RPN 完成] A -- D[元凶 3: 重复特征提取br/RoI Pooling 重复计算] B -- E[浪费 80% 算力] C -- E D -- E style A fill:#FF6B6B,color:#fff style B fill:#FF6B6B,color:#fff style C fill:#FF6B6B,color:#fff style D fill:#FF6B6B,color:#fff关键数据2000 个候选框中95% 是背景RoI Pooling 需要对每个候选框单独处理总算力浪费约 80%幽默点 #2RPN 就像一个过于谨慎的秘书——先帮你预约 2000 个会再让你去 2000 个会议室。结果 95% 的会议室是空的。YOLO 呢直接去对的会议室。2.4 Faster R-CNN 的 PyTorch 实现# faster_rcnn_pytorch.py import torch import torchvision from torchvision.models.detection import fasterrcnn_resnet50_fpn # 1. 加载预训练模型 model fasterrcnn_resnet50_fpn(pretrainedTrue) model.eval() # 2. 推理一张图 images [torch.randn(3, 800, 800)] # 1 张 800x800 图 with torch.no_grad(): predictions model(images) # 3. 输出 # predictions[0] { # boxes: tensor([[x1, y1, x2, y2], ...]), # 候选框 # labels: tensor([1, 3, 5, ...]), # 类别 # scores: tensor([0.98, 0.87, ...]) # 置信度 # }⚠️避坑警告Faster R-CNN 在 GPU 上的推理时间通常 150-200ms/张如果你的业务要求 50ms 响应Faster R-CNN 基本出局。三、YOLOv5140FPS 是怎么省出来的3.1 YOLOv5 的单阶段流程sequenceDiagram participant I as 输入图像 (640x640) participant B as Backbone 骨干 participant N as Neck 颈部 participant H as Head 检测头 participant O as 检测结果 I-B: 1. 一次特征提取 B-N: 2. 多尺度特征融合 N-H: 3. 网格化预测 H-O: 4. 直接出 [x,y,w,h,conf,class] Note over I,O: 总耗时: 7-10ms3.2 单阶段的省法graph TB A[YOLOv5 省算力的 3 大策略] -- B[1. 网格化预测br/整图一次扫完] A -- C[2. 特征共享br/所有目标共用一套特征] A -- D[3. Anchor-Freebr/无候选框生成] B -- E[省 70% 算力] C -- E D -- E style A fill:#6BCB77,color:#fff style B fill:#6BCB77,color:#fff style C fill:#6BCB77,color:#fff style D fill:#6BCB77,color:#fff3.3 YOLOv5 实战代码# yolov5_inference.py import torch from pathlib import Path # 1. 加载 YOLOv5s社区最稳定版本 model torch.hub.load( ultralytics/yolov5, yolov5s, # s small平衡精度和速度 pretrainedTrue ) # 2. 推理 img test.jpg # 输入图像路径 results model(img) # 3. 解析结果 results.print() # 打印: 1 person, 1 car (0.XXs) results.save() # 保存带框的图像到 runs/ # 4. 获取结构化数据 detections results.pandas().xyxy[0] # xmin ymin xmax ymax confidence class name # 0 12.3 45.6 123.4 234.5 0.89 0 person # 1 234.5 67.8 456.7 345.6 0.78 2 car3.4 关键性能数据模型输入尺寸mAP50FPSV100FPST4参数量Faster R-CNN800×80078%7441MYOLOv5s640×64089%140957.2MYOLOv5m640×64090.5%906021MYOLOv8s640×64091%16511011M幽默点 #3Faster R-CNN 训练一次要 24 小时YOLOv5 训练一次只要 4 小时。训练也快 6 倍——这就是单阶段范式的降维打击。四、性能实测对比一张表看清差距4.1 精度对比graph LR A[mAP50 对比] -- B[Faster R-CNNbr/78%] A -- C[YOLOv5sbr/89%] A -- D[YOLOv8sbr/91%] A -- E[YOLOv10xbr/95%] style B fill:#95E1D3,color:#000 style C fill:#FFD93D,color:#000 style D fill:#FF6B6B,color:#fff style E fill:#9D4EDD,color:#fffYOLO 精度已经反超 Faster R-CNN——这是 10 年前没人敢想的。4.2 速度对比推理一张 640×640 图模型GPU 类型推理时间FPS加速比Faster R-CNNV100140ms71xYOLOv5sV1007ms14020xYOLOv8sV1006ms16524xYOLOv10xA1005ms20028x效率技巧实时性要求 30ms 的场景YOLO 是唯一选择。Faster R-CNN 干不了自动驾驶、机器人、实时监控。4.3 显存占用对比模型训练显存batch4推理显存Faster R-CNN8GB2.5GBYOLOv5s4GB0.8GBYOLOv8s5GB1.2GB幽默点 #4Faster R-CNN 就像豪华 SUV——动力强但油耗高停车难。YOLO 呢特斯拉 Model 3——加速快、能耗低、好停车。五、特征共享机制单阶段如何提升效率5.1 Faster R-CNN 的重复劳动graph TB A[Faster R-CNN 特征提取] -- B[RPN 阶段br/提取一次特征] B -- C[候选框裁剪br/RoI Pooling] C -- D[检测头br/再次特征处理] style B fill:#FF6B6B,color:#fff style C fill:#FF6B6B,color:#fff style D fill:#FF6B6B,color:#fff问题候选框之间无法共享特征——每个候选框都要单独过检测头。5.2 YOLO 的一次提取graph TB A[YOLO 特征提取] -- B[骨干网络br/一次特征提取] B -- C[整图共享br/所有目标共用] C -- D[网格化预测br/直接出结果] style B fill:#6BCB77,color:#fff style C fill:#6BCB77,color:#fff style D fill:#6BCB77,color:#fff5.3 特征共享的数学解释# 特征共享效率分析 # Faster R-CNN: 2000 个候选框 × 检测头计算 2000 次独立前向 # YOLO: 1 次整图前向 1 次计算但输出 8400 个预测框640/8 × 640/8 × 3 19200 # 时间对比 faster_rcnn_time 2000 * 0.05 # 2000 个候选框 × 每次 0.05ms 100ms yolo_time 1 * 7 # 1 次整图前向 7ms speedup faster_rcnn_time / yolo_time # 14x print(fYOLO 速度提升: {speedup:.1f} 倍) # 输出: YOLO 速度提升: 14.3 倍六、选型决策什么场景用什么6.1 决策树graph TD A[需要目标检测] -- B{实时性要求} B --| 30ms| C[单阶段 YOLO] B --|30-200ms| D[YOLO/Faster R-CNN 都行] B --| 200ms| E[优先精度] C -- F{部署设备} F --|边缘 GPU| G[YOLOv8n/s] F --|服务器| H[YOLOv8x/v10x] D -- I{精度要求} I --|99%|| J[Faster R-CNNbr/或 YOLOv8x] I --|95%以下| K[YOLOv5/v8 系列] E -- L[Faster R-CNNbr/ Cascade] style A fill:#FF6B6B,color:#fff style C fill:#6BCB77,color:#fff style E fill:#9D4EDD,color:#fff6.2 场景选型表场景速度要求精度要求推荐模型理由自动驾驶30ms召回 99%YOLOv8x低延迟 召回优先工业质检100ms99%YOLOv8s速度精度平衡医学影像离线可95%Faster R-CNN精度优先视频监控实时流85%YOLOv5s性价比之王农业遥感离线批80%YOLOv8l离线大模型幽默点 #5选范式就像选交通工具——Faster R-CNN 是高铁稳但慢YOLO 是地铁快且准。短途选地铁长途看心情。七、避坑指南选错范式的代价坑 1自动驾驶选 Faster R-CNN 车祸症状用 Faster R-CNN 做行人检测延迟 200ms车速 60km/h 时已经撞上了。解法自动驾驶必须用 YOLO 系列速度 30ms 才能保证安全。坑 2工业质检选 YOLO-nano 漏检症状用 YOLOv8n 检测细小缺陷mAP 只有 70%。解法精度要求高的场景用 YOLOv8s/m/l/x不要用 nano。坑 3医学影像选 YOLO 误诊症状YOLOv8 在肺结节上 mAP 85%但医生要 95%。解法医学影像优先精度用 Faster R-CNN 或 Cascade R-CNN。坑 4训练硬件不匹配症状买了 4 张 V100 跑 Faster R-CNN钱花了 80%。解法Faster R-CNN单张 V100 足够YOLOv5/v8单张 RTX 3090 也能跑⚠️避坑警告没有最好的范式只有最适合的范式。Faster R-CNN 不会消失YOLO 也不会取代一切。根据业务选技术。八、总结选范式就是选业务8.1 核心结论graph TD A[范式选择核心] -- B[速度 vs 精度] A -- C[成本 vs 性能] A -- D[部署 vs 训练] B -- E[实时 → YOLObr/离线 → Faster R-CNN] C -- F[预算紧 → YOLObr/精度高 → Faster R-CNN] D -- G[边缘 → YOLObr/服务器 → 都行] style A fill:#FF6B6B,color:#fff style E fill:#6BCB77,color:#fff style F fill:#4ECDC4,color:#fff style G fill:#FFD93D,color:#0008.2 5 大核心 Takeaway两阶段范式 95% 算力浪费在候选框——RPN 生成 2000 个框95% 是背景单阶段范式快 10-20 倍——YOLOv5 140FPS vs Faster R-CNN 7FPSYOLO 精度已经反超 Faster R-CNN——v8x 95% vs FRCNN 78%特征共享是单阶段的关键优势——避免重复计算范式选择决定项目成败——自动驾驶用 FRCNN 会出人命8.3 一句话总结两阶段范式Faster R-CNN是 2015 年的王者单阶段范式YOLO是 2025 年的王。业务对速度要求高 → 选 YOLO业务对精度要求高 → 选 Faster R-CNN。没有银弹只有最合适的选择。 文末三件套【源码获取】关注此公众号后台回复「YOLO02」获取本文全部代码Faster R-CNN YOLOv5 推理对比脚本。【思考题】YOLOv5 在 VOC2007 上跑出 140FPS比 Faster R-CNN 快近 10 倍。如果让你设计一个两阶段 单阶段融合的检测器你会怎么设计保留 RPN 的精度融合 YOLO 的速度这种设计实际可行吗欢迎在评论区讨论。【系列文章预告】✅ 02 篇两阶段 vs 单阶段——Faster R-CNN 为什么比 YOLO 慢近 10 倍本文⏭️ 03 篇骨干网络演进——从 Darknet 到 GELAN⏭️ 04 篇CSPNet 架构解密——为什么跨阶段连接能减 30% 计算⏭️ 05 篇颈部网络进化史——FPN → PANet → E-ELAN⏭️ 06 篇检测头设计革命——从 Anchor Box 到 Anchor-Free 解耦头⏭️ 后续 24 篇覆盖 YOLOv1-v10、5 大行业应用、训练部署避坑……标签#FasterRCNN#YOLO#两阶段检测#单阶段检测#RPN#实时检测#目标检测
写在前面2015 年 Faster R-CNN 问世时所有人都说这就是目标检测的终局。结果 1 年后一个叫 YOLO 的愣头青说“你那两段式太慢了让我一次搞定”。从此目标检测分成了两个阵营——两阶段派和单阶段派。10 年过去了YOLOv5 在 VOC2007 上跑出了 140FPS比 Faster R-CNN 快了将近 10 倍。这 10 倍的差距是从哪来的目录一、两阶段 vs 单阶段本质差异到底是什么1.1 目标检测的两大流派1.2 范式差异的哲学根源二、Faster R-CNN候选区域到底浪费了多少算力2.1 Faster R-CNN 的两段式流程2.2 候选区域生成RPN的工作原理2.3 算力浪费的三大元凶2.4 Faster R-CNN 的 PyTorch 实现三、YOLOv5140FPS 是怎么省出来的3.1 YOLOv5 的单阶段流程3.2 单阶段的省法3.3 YOLOv5 实战代码3.4 关键性能数据四、性能实测对比一张表看清差距4.1 精度对比4.2 速度对比推理一张 640×640 图4.3 显存占用对比五、特征共享机制单阶段如何提升效率5.1 Faster R-CNN 的重复劳动5.2 YOLO 的一次提取5.3 特征共享的数学解释六、选型决策什么场景用什么6.1 决策树6.2 场景选型表七、避坑指南选错范式的代价坑 1自动驾驶选 Faster R-CNN 车祸坑 2工业质检选 YOLO-nano 漏检坑 3医学影像选 YOLO 误诊坑 4训练硬件不匹配八、总结选范式就是选业务8.1 核心结论8.2 5 大核心 Takeaway一、两阶段 vs 单阶段本质差异到底是什么1.1 目标检测的两大流派graph LR A[目标检测范式] -- B[两阶段派br/Two-Stage] A -- C[单阶段派br/One-Stage] B -- B1[代表: Faster R-CNNbr/精度优先] B -- B2[流程: 候选区域分类回归] C -- C1[代表: YOLO/SSDbr/速度优先] C -- C2[流程: 端到端一次出结果] style A fill:#FF6B6B,color:#fff style B fill:#4ECDC4,color:#fff style C fill:#FFD93D,color:#0001.2 范式差异的哲学根源维度两阶段Two-Stage单阶段One-Stage核心理念先找区域再精修一次看完直接出代表算法Faster R-CNN、Cascade R-CNNYOLO、SSD、RetinaNet精度⭐⭐⭐⭐⭐⭐⭐⭐⭐最新版本速度⭐⭐5-10 FPS⭐⭐⭐⭐⭐100-200 FPS适用场景离线分析、医学影像实时检测、自动驾驶训练难度高多阶段损失低端到端效率技巧选范式的核心是看业务对速度 vs 精度的权衡。自动驾驶宁可漏检也不能卡顿——选 YOLO医学影像可以等 10 秒——选 Faster R-CNN。二、Faster R-CNN候选区域到底浪费了多少算力2.1 Faster R-CNN 的两段式流程sequenceDiagram participant I as 输入图像 participant R as RPN 网络 participant P as 候选框 (~2000个) participant D as 检测头 participant O as 最终结果 (~100个) I-R: 1. 提取特征图 R-P: 2. 生成 ~2000 个候选区域 P-D: 3. RoI Pooling裁剪特征 D-O: 4. 分类 边界框回归 Note over I,O: 总耗时: 150-200ms2.2 候选区域生成RPN的工作原理graph TB A[特征图br/H×W×256] -- B[3×3 滑动窗口] B -- C[每个位置生成 9 个 Anchorbr/3 尺寸 × 3 长宽比] C -- D[2 个分支] D -- E[分类分支br/前景/背景] D -- F[回归分支br/边框精修] E -- G[过滤背景 Anchor] F -- G G -- H[Top-N 候选区域br/~2000 个] style A fill:#4ECDC4,color:#fff style H fill:#FF6B6B,color:#fff2.3 算力浪费的三大元凶graph TD A[Faster R-CNN 算力浪费] -- B[元凶 1: 候选框过多br/2000 个里 95% 是背景] A -- C[元凶 2: 串行计算br/必须等 RPN 完成] A -- D[元凶 3: 重复特征提取br/RoI Pooling 重复计算] B -- E[浪费 80% 算力] C -- E D -- E style A fill:#FF6B6B,color:#fff style B fill:#FF6B6B,color:#fff style C fill:#FF6B6B,color:#fff style D fill:#FF6B6B,color:#fff关键数据2000 个候选框中95% 是背景RoI Pooling 需要对每个候选框单独处理总算力浪费约 80%幽默点 #2RPN 就像一个过于谨慎的秘书——先帮你预约 2000 个会再让你去 2000 个会议室。结果 95% 的会议室是空的。YOLO 呢直接去对的会议室。2.4 Faster R-CNN 的 PyTorch 实现# faster_rcnn_pytorch.py import torch import torchvision from torchvision.models.detection import fasterrcnn_resnet50_fpn # 1. 加载预训练模型 model fasterrcnn_resnet50_fpn(pretrainedTrue) model.eval() # 2. 推理一张图 images [torch.randn(3, 800, 800)] # 1 张 800x800 图 with torch.no_grad(): predictions model(images) # 3. 输出 # predictions[0] { # boxes: tensor([[x1, y1, x2, y2], ...]), # 候选框 # labels: tensor([1, 3, 5, ...]), # 类别 # scores: tensor([0.98, 0.87, ...]) # 置信度 # }⚠️避坑警告Faster R-CNN 在 GPU 上的推理时间通常 150-200ms/张如果你的业务要求 50ms 响应Faster R-CNN 基本出局。三、YOLOv5140FPS 是怎么省出来的3.1 YOLOv5 的单阶段流程sequenceDiagram participant I as 输入图像 (640x640) participant B as Backbone 骨干 participant N as Neck 颈部 participant H as Head 检测头 participant O as 检测结果 I-B: 1. 一次特征提取 B-N: 2. 多尺度特征融合 N-H: 3. 网格化预测 H-O: 4. 直接出 [x,y,w,h,conf,class] Note over I,O: 总耗时: 7-10ms3.2 单阶段的省法graph TB A[YOLOv5 省算力的 3 大策略] -- B[1. 网格化预测br/整图一次扫完] A -- C[2. 特征共享br/所有目标共用一套特征] A -- D[3. Anchor-Freebr/无候选框生成] B -- E[省 70% 算力] C -- E D -- E style A fill:#6BCB77,color:#fff style B fill:#6BCB77,color:#fff style C fill:#6BCB77,color:#fff style D fill:#6BCB77,color:#fff3.3 YOLOv5 实战代码# yolov5_inference.py import torch from pathlib import Path # 1. 加载 YOLOv5s社区最稳定版本 model torch.hub.load( ultralytics/yolov5, yolov5s, # s small平衡精度和速度 pretrainedTrue ) # 2. 推理 img test.jpg # 输入图像路径 results model(img) # 3. 解析结果 results.print() # 打印: 1 person, 1 car (0.XXs) results.save() # 保存带框的图像到 runs/ # 4. 获取结构化数据 detections results.pandas().xyxy[0] # xmin ymin xmax ymax confidence class name # 0 12.3 45.6 123.4 234.5 0.89 0 person # 1 234.5 67.8 456.7 345.6 0.78 2 car3.4 关键性能数据模型输入尺寸mAP50FPSV100FPST4参数量Faster R-CNN800×80078%7441MYOLOv5s640×64089%140957.2MYOLOv5m640×64090.5%906021MYOLOv8s640×64091%16511011M幽默点 #3Faster R-CNN 训练一次要 24 小时YOLOv5 训练一次只要 4 小时。训练也快 6 倍——这就是单阶段范式的降维打击。四、性能实测对比一张表看清差距4.1 精度对比graph LR A[mAP50 对比] -- B[Faster R-CNNbr/78%] A -- C[YOLOv5sbr/89%] A -- D[YOLOv8sbr/91%] A -- E[YOLOv10xbr/95%] style B fill:#95E1D3,color:#000 style C fill:#FFD93D,color:#000 style D fill:#FF6B6B,color:#fff style E fill:#9D4EDD,color:#fffYOLO 精度已经反超 Faster R-CNN——这是 10 年前没人敢想的。4.2 速度对比推理一张 640×640 图模型GPU 类型推理时间FPS加速比Faster R-CNNV100140ms71xYOLOv5sV1007ms14020xYOLOv8sV1006ms16524xYOLOv10xA1005ms20028x效率技巧实时性要求 30ms 的场景YOLO 是唯一选择。Faster R-CNN 干不了自动驾驶、机器人、实时监控。4.3 显存占用对比模型训练显存batch4推理显存Faster R-CNN8GB2.5GBYOLOv5s4GB0.8GBYOLOv8s5GB1.2GB幽默点 #4Faster R-CNN 就像豪华 SUV——动力强但油耗高停车难。YOLO 呢特斯拉 Model 3——加速快、能耗低、好停车。五、特征共享机制单阶段如何提升效率5.1 Faster R-CNN 的重复劳动graph TB A[Faster R-CNN 特征提取] -- B[RPN 阶段br/提取一次特征] B -- C[候选框裁剪br/RoI Pooling] C -- D[检测头br/再次特征处理] style B fill:#FF6B6B,color:#fff style C fill:#FF6B6B,color:#fff style D fill:#FF6B6B,color:#fff问题候选框之间无法共享特征——每个候选框都要单独过检测头。5.2 YOLO 的一次提取graph TB A[YOLO 特征提取] -- B[骨干网络br/一次特征提取] B -- C[整图共享br/所有目标共用] C -- D[网格化预测br/直接出结果] style B fill:#6BCB77,color:#fff style C fill:#6BCB77,color:#fff style D fill:#6BCB77,color:#fff5.3 特征共享的数学解释# 特征共享效率分析 # Faster R-CNN: 2000 个候选框 × 检测头计算 2000 次独立前向 # YOLO: 1 次整图前向 1 次计算但输出 8400 个预测框640/8 × 640/8 × 3 19200 # 时间对比 faster_rcnn_time 2000 * 0.05 # 2000 个候选框 × 每次 0.05ms 100ms yolo_time 1 * 7 # 1 次整图前向 7ms speedup faster_rcnn_time / yolo_time # 14x print(fYOLO 速度提升: {speedup:.1f} 倍) # 输出: YOLO 速度提升: 14.3 倍六、选型决策什么场景用什么6.1 决策树graph TD A[需要目标检测] -- B{实时性要求} B --| 30ms| C[单阶段 YOLO] B --|30-200ms| D[YOLO/Faster R-CNN 都行] B --| 200ms| E[优先精度] C -- F{部署设备} F --|边缘 GPU| G[YOLOv8n/s] F --|服务器| H[YOLOv8x/v10x] D -- I{精度要求} I --|99%|| J[Faster R-CNNbr/或 YOLOv8x] I --|95%以下| K[YOLOv5/v8 系列] E -- L[Faster R-CNNbr/ Cascade] style A fill:#FF6B6B,color:#fff style C fill:#6BCB77,color:#fff style E fill:#9D4EDD,color:#fff6.2 场景选型表场景速度要求精度要求推荐模型理由自动驾驶30ms召回 99%YOLOv8x低延迟 召回优先工业质检100ms99%YOLOv8s速度精度平衡医学影像离线可95%Faster R-CNN精度优先视频监控实时流85%YOLOv5s性价比之王农业遥感离线批80%YOLOv8l离线大模型幽默点 #5选范式就像选交通工具——Faster R-CNN 是高铁稳但慢YOLO 是地铁快且准。短途选地铁长途看心情。七、避坑指南选错范式的代价坑 1自动驾驶选 Faster R-CNN 车祸症状用 Faster R-CNN 做行人检测延迟 200ms车速 60km/h 时已经撞上了。解法自动驾驶必须用 YOLO 系列速度 30ms 才能保证安全。坑 2工业质检选 YOLO-nano 漏检症状用 YOLOv8n 检测细小缺陷mAP 只有 70%。解法精度要求高的场景用 YOLOv8s/m/l/x不要用 nano。坑 3医学影像选 YOLO 误诊症状YOLOv8 在肺结节上 mAP 85%但医生要 95%。解法医学影像优先精度用 Faster R-CNN 或 Cascade R-CNN。坑 4训练硬件不匹配症状买了 4 张 V100 跑 Faster R-CNN钱花了 80%。解法Faster R-CNN单张 V100 足够YOLOv5/v8单张 RTX 3090 也能跑⚠️避坑警告没有最好的范式只有最适合的范式。Faster R-CNN 不会消失YOLO 也不会取代一切。根据业务选技术。八、总结选范式就是选业务8.1 核心结论graph TD A[范式选择核心] -- B[速度 vs 精度] A -- C[成本 vs 性能] A -- D[部署 vs 训练] B -- E[实时 → YOLObr/离线 → Faster R-CNN] C -- F[预算紧 → YOLObr/精度高 → Faster R-CNN] D -- G[边缘 → YOLObr/服务器 → 都行] style A fill:#FF6B6B,color:#fff style E fill:#6BCB77,color:#fff style F fill:#4ECDC4,color:#fff style G fill:#FFD93D,color:#0008.2 5 大核心 Takeaway两阶段范式 95% 算力浪费在候选框——RPN 生成 2000 个框95% 是背景单阶段范式快 10-20 倍——YOLOv5 140FPS vs Faster R-CNN 7FPSYOLO 精度已经反超 Faster R-CNN——v8x 95% vs FRCNN 78%特征共享是单阶段的关键优势——避免重复计算范式选择决定项目成败——自动驾驶用 FRCNN 会出人命8.3 一句话总结两阶段范式Faster R-CNN是 2015 年的王者单阶段范式YOLO是 2025 年的王。业务对速度要求高 → 选 YOLO业务对精度要求高 → 选 Faster R-CNN。没有银弹只有最合适的选择。 文末三件套【源码获取】关注此公众号后台回复「YOLO02」获取本文全部代码Faster R-CNN YOLOv5 推理对比脚本。【思考题】YOLOv5 在 VOC2007 上跑出 140FPS比 Faster R-CNN 快近 10 倍。如果让你设计一个两阶段 单阶段融合的检测器你会怎么设计保留 RPN 的精度融合 YOLO 的速度这种设计实际可行吗欢迎在评论区讨论。【系列文章预告】✅ 02 篇两阶段 vs 单阶段——Faster R-CNN 为什么比 YOLO 慢近 10 倍本文⏭️ 03 篇骨干网络演进——从 Darknet 到 GELAN⏭️ 04 篇CSPNet 架构解密——为什么跨阶段连接能减 30% 计算⏭️ 05 篇颈部网络进化史——FPN → PANet → E-ELAN⏭️ 06 篇检测头设计革命——从 Anchor Box 到 Anchor-Free 解耦头⏭️ 后续 24 篇覆盖 YOLOv1-v10、5 大行业应用、训练部署避坑……标签#FasterRCNN#YOLO#两阶段检测#单阶段检测#RPN#实时检测#目标检测
