目标檢測作為計算機視覺中的一個重要分支，近些年來随着神經網絡理論研究的深入和硬體 GPU 算力的大幅度提升，一舉成為全球人工智能研究的熱點，落地項目也最先開始。
縱觀 2013 年到 2020 年，從最早的 R-CNN、OverFeat 到後來的 SSD、YOLO v3 再到去年的 M2Det，新模型層出不窮，性能也越來越好！本文将完整地總結 52 個目标檢測模型極其性能對比，包括完備的文獻 paper 清單。
首先直奔主題，列出這 52 個目标檢測模型（建議收藏）：
這份表看得太舒适了！這份目标檢測超全的技術路線總結來自于 GitHub 上一個知名項目，作者是畢業于南韓首爾國立大學電氣與計算機工程專業的 Lee hoseong，目前已經收獲 7.3k star。
該項目位址是：
https://github.com/hoya012/deep_learning_object_detection 該技術路線縱貫的時間線是 2013 年到 2020 年初，上圖總結了這期間目标檢測所有具有代表性的模型。圖中标紅的部分是相對來說比較重要，需要重點掌握的模型。更新日志
值得一提的是紅色石頭早在去年年初的時候已經發文給大家推薦過這個項目，作者也一直在更新，截至 2020 年 2 月，作者主要的更新如下：
- 2019.2：更新3篇論文
- 2019.3：更新圖表和代碼連結
- 2019.4：更新 ICLR 2019 和 CVPR 2019 論文
- 2019.5：更新 CVPR 2019 論文
- 2019.6：更新 CVPR 2019 論文和資料集論文
- 2019.7：更新 BMVC 2019 論文和部分 ICCV 2019 論文
- 2019.9：更新 NeurIPS 2019 論文和 ICCV 2019 論文
- 2019.11：更新部分 AAAI 2020 論文和其它論文
- 2020.1：更新 ICLR 2020 論文和其它論文
下面詳細介紹！
模型性能對比表
由于硬體不同（例如 CPU、GPU、RAM 等），來比較 FPS 往往不夠準确。更合适的比較方法是在同一硬體配置下測量所有模型的性能。以上所有模型的性能對比結果如下：
從上面的表格中，可以清楚看到不同模型在 VOC07、VOC12、COCO 資料集上的性能表現。同時列出了模型論文發表來源。
下面列舉一些重點标紅的模型進行簡要介紹。
模型論文篇
2014 年
R-CNN
Rich feature hierarchies for accurate object detection and semantic segmentation | [CVPR' 14]
論文：
https://arxiv.org/pdf/1311.2524.pdf官方代碼 Caffe：
https://github.com/rbgirshick/rcnnOverFeat
OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks | [ICLR' 14]
https://arxiv.org/pdf/1312.6229.pdf官方代碼 Torch：
https://github.com/sermanet/OverFeat2015 年
Fast R-CNN
Fast R-CNN | [ICCV' 15]
https://arxiv.org/pdf/1504.08083.pdf官方代碼 caffe：
https://github.com/rbgirshick/fast-rcnnFaster R-CNN
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks | [NIPS' 15]
https://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-networks.pdf https://github.com/rbgirshick/py-faster-rcnn非官方代碼 tensorflow：
https://github.com/endernewton/tf-faster-rcnn非官方代碼 pytorch：
https://github.com/jwyang/faster-rcnn.pytorch2016 年
OHEM
Training Region-based Object Detectors with Online Hard Example Mining | [CVPR' 16]
https://arxiv.org/pdf/1604.03540.pdf https://github.com/abhi2610/ohemYOLO v1
You Only Look Once: Unified, Real-Time Object Detection | [CVPR' 16]
https://arxiv.org/pdf/1506.02640.pdf官方代碼 c：
https://pjreddie.com/darknet/yolo/SSD
SSD: Single Shot MultiBox Detector | [ECCV' 16]
https://arxiv.org/pdf/1512.02325.pdf https://github.com/weiliu89/caffe/tree/ssd https://github.com/balancap/SSD-Tensorflow https://github.com/amdegroot/ssd.pytorchR-FCN
R-FCN: Object Detection via Region-based Fully Convolutional Networks | [NIPS' 16]
https://arxiv.org/pdf/1605.06409.pdf https://github.com/daijifeng001/R-FCN非官方代碼 caffe：
https://github.com/YuwenXiong/py-R-FCN2017 年
YOLO v2
YOLO9000: Better, Faster, Stronger | [CVPR' 17]
https://arxiv.org/pdf/1612.08242.pdf https://github.com/quhezheng/caffe_yolo_v2 https://github.com/nilboy/tensorflow-yolo https://github.com/sualab/object-detection-yolov2 https://github.com/longcw/yolo2-pytorchFPN
Feature Pyramid Networks for Object Detection | [CVPR' 17]
http://openaccess.thecvf.com/content_cvpr_2017/papers/Lin_Feature_Pyramid_Networks_CVPR_2017_paper.pdf https://github.com/unsky/FPNRetinaNet
Focal Loss for Dense Object Detection | [ICCV' 17]
https://arxiv.org/pdf/1708.02002.pdf官方代碼 keras：
https://github.com/fizyr/keras-retinanet https://github.com/kuangliu/pytorch-retinanet非官方代碼 mxnet：
https://github.com/unsky/RetinaNet https://github.com/tensorflow/tpu/tree/master/models/official/retinanetMask R-CNN
Mask R-CNN | [ICCV' 17]
http://openaccess.thecvf.com/content_ICCV_2017/papers/He_Mask_R-CNN_ICCV_2017_paper.pdf官方代碼 caffe2：
https://github.com/facebookresearch/Detectron https://github.com/matterport/Mask_RCNN https://github.com/CharlesShang/FastMaskRCNN https://github.com/multimodallearning/pytorch-mask-rcnn2018 年
YOLO v3
YOLOv3: An Incremental Improvement | [arXiv' 18]
https://pjreddie.com/media/files/papers/YOLOv3.pdf https://github.com/ayooshkathuria/pytorch-yolo-v3 https://github.com/eriklindernoren/PyTorch-YOLOv3非官方代碼 keras：
https://github.com/qqwweee/keras-yolo3 https://github.com/mystic123/tensorflow-yolo-v3RefineDet
Single-Shot Refinement Neural Network for Object Detection | [CVPR' 18]
http://openaccess.thecvf.com/content_cvpr_2018/papers/Zhang_Single-Shot_Refinement_Neural_CVPR_2018_paper.pdf https://github.com/sfzhang15/RefineDet非官方代碼 chainer：
https://github.com/fukatani/RefineDet_chainer https://github.com/lzx1413/PytorchSSD2019 年
M2Det
M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network | [AAAI' 19]
https://arxiv.org/pdf/1811.04533.pdf官方代碼 pytorch：
https://github.com/qijiezhao/M2Det2020 年
Spiking-YOLO
Spiking-YOLO: Spiking Neural Network for Real-time Object Detection | [AAAI' 20]
https://arxiv.org/pdf/1903.06530.pdf資料集論文篇
同時作者也列出了以上模型通常使用的公開資料集：VOC、ILSVRC、COCO，如下表所示：
用于目标檢測的資料集相關論文如下：
以上就是 52 個深度學習檢測模型彙總介紹。該項目可以說把近幾年的目标檢測模型總結得很不錯了，包括論文和源碼。希望對大家有所幫助！