目标检测是一项关键的计算机视觉任务，用于在图像或视频帧中识别并定位多个物体。该任务超越了简单的图像分类，通过边界框精确指出每个物体的位置。性能评估需要兼顾准确性与计算效率，其中交并比（IoU）和平均精度均值（mAP）用于衡量检测质量。每秒帧数（FPS）和参数量则是模型推理速度与资源需求的关键指标。目标检测架构 broadly 分为基于 CNN 或基于 Transformer 两大类，现代模型常融合两者的特征。处理流程也分为两阶段检测器（先进行区域提议，再进行分类）和单阶段检测器（在一次遍历中直接预测）。尽管历史上两阶段模型具有更高的准确性，但单阶段检测器已基本缩小了这一差距，且通常速度更快。在 2026 年，两阶段流水线被认为竞争力较弱，领先的模型为无 NMS 的单阶段 Transformer 架构及 YOLO 系列变体。RF-DETR 作为最强的实时模型脱颖而出，得益于其对 DINOv2 和可变形交叉注意力的应用，在复杂场景中实现了最高的 mAP。它在域适应性方面表现优异，同时支持检测与分割，尽管在边缘设备上比 YOLO 更重。YOLO12 代表了一种以注意力为核心的方法，将自注意力机制与 CNN 相结合，以实现均衡的性能。它提供具有竞争力的推理速度，并受益于全局上下文理解。为确保最佳性能，建议使用 YOLO12 的原始实现，因为已有部分移植版本被指出存在效率问题。