Обнаружение объектов — это важнейшая задача компьютерного зрения, которая идентифицирует и локализует несколько объектов на изображениях или кадрах видео. Это выходит за рамки простой классификации изображений, точно определяя положение каждого объекта с помощью ограничивающих рамок. Оценка производительности требует метрик как точности, так и вычислительной эффективности, при этом Intersection over Union (IoU) и mean Average Precision (mAP) измеряют качество обнаружения. Кадры в секунду (FPS) и количество параметров являются ключевыми показателями скорости вывода модели и требований к ресурсам.Архитектуры обнаружения объектов в широком смысле делятся на основанные на CNN или на основе Transformer, при этом современные модели часто объединяют признаки из обоих. Потоки обработки также делятся на двухэтапные детекторы, которые сначала выполняют предложения областей, а затем классификацию, и одноэтапные детекторы, которые предсказывают напрямую за один проход. Хотя исторически двухэтапные модели предлагали более высокую точность, одноэтапные детекторы в значительной степени сократили этот разрыв и, как правило, быстрее.В 2026 году двухэтапные конвейеры считаются менее конкурентоспособными, а ведущими моделями являются одноэтапные, не использующие NMS архитектуры Transformer и варианты семейства YOLO. RF-DETR выделяется как самая мощная модель реального времени, достигающая самого высокого mAP в сложных сценах благодаря использованию DINOv2 и деформируемого перекрестного внимания. Она превосходно адаптируется к доменам и поддерживает как обнаружение, так и сегментацию, хотя и более ресурсоемка, чем YOLO, на периферийных устройствах. YOLO12 представляет собой подход, ориентированный на внимание, интегрирующий механизмы самовнимания с CNN для сбалансированной производительности. Он предлагает конкурентоспособные скорости вывода и выигрывает от понимания глобального контекста. Важно использовать оригинальную реализацию YOLO12 для оптимальной производительности, поскольку некоторые порты были отмечены за неэффективность.