企业官网建设流程全解析

1. 三大目标检测框架的演进脉络与选型逻辑

目标检测这个方向，从2014年RCNN横空出世到现在，十年出头的时间里经历了从“两阶段精耕细作”到“单阶段端到端”的彻底范式转移。RCNN、DETR、YOLO这三条技术路线，基本代表了三种截然不同的解题哲学：RCNN系是“先找候选再分类”的学院派，DETR是“用Transformer做集合预测”的革新派，YOLO则是“一次前向传播搞定一切”的工程派。我这些年在这三个方向上分别踩过不少坑，也做过不少实际部署项目，今天就把这三条线的核心思路、关键细节和实操经验系统性地梳理一遍。

先说清楚这三者各自解决什么问题。RCNN系列的核心贡献在于证明了“深度特征+区域提议”可以大幅超越传统手工特征方法，Faster RCNN引入的RPN网络让候选框生成也变成了可学习的模块，这是两阶段检测器的巅峰之作。DETR则彻底抛弃了锚框和非极大值抑制，用Transformer的编码器-解码器结构直接输出预测集合，通过二分图匹配实现端到端训练，思路非常优雅。YOLO走的是另一条路，把检测问题转化为回归问题，一个网络一次前向传播就能同时预测边界框和类别，速度优势极其明显，从v1到v8再到最新的v26，工程优化做到了极致。

选型的时候我一般看三个维度：精度要求、速度要求和部署环境。如果对精度极其敏感且不在乎推理速度，比如医学影像分析或者遥感图像检测，Faster RCNN配合ResNet101 backbone依然是很稳的选择。如果场景是视频流实时检测，比如监控视频拉流RTSP做火灾实时监控，那YOLO系列基本是唯一解。DETR则适合那些需要端到端可微分 pipeline 的研究场景，或者对NMS后处理有顾虑的部署环境。下面我会把每条线的核心细节拆开来讲。

1.1 从RCNN到Faster RCNN的关键跃迁

RCNN的原始版本流程非常笨重：先用Selective Search生成约2000个候选区域，然后对每个区域单独跑CNN提取特征，最后用SVM分类。这个流程的问题很明显——2000次CNN前向传播，训练和推理都慢得离谱。Fast RCNN做了第一个重要改进，引入ROI Pooling层，整张图只跑一次CNN，然后在特征图上对每个候选区域做池化，速度提升了数十倍。但Fast RCNN的候选框生成仍然依赖Selective Search，这是个CPU上的算法，耗时占整个推理流程的80%以上。

Faster RCNN的突破在于用RPN（Region Proposal Network）替代了Selective Search。RPN本身是一个全卷积网络，在特征图上每个位置预设9个锚框（3种尺度×3种长宽比），然后预测每个锚框的前景/背景得分和位置偏移量。RPN和检测头共享卷积特征，整个网络可以端到端训练。我实测下来，Faster RCNN在V100上处理一张1080p图像大约需要80-120毫秒，比Fast RCNN快了将近10倍。

这里有个关键细节值得展开：RPN的锚框设计直接决定了召回率上限。如果数据集中目标尺寸分布比较集中，比如电力红外数据集里的绝缘子，锚框尺度和长宽比就需要针对性调整。我一般会先对训练集做K-means聚类分析，统计真实框的宽高分布，然后据此设置锚框参数。这个步骤很多人会忽略，直接用默认的9个锚框，结果小目标召回率上不去。

1.2 DETR的集合预测范式与训练收敛难题

DETR论文最核心的创新是把目标检测建模为集合预测问题。传统检测器需要生成大量候选框然后做NMS去重，DETR直接输出固定数量（比如100个）的预测框，通过匈牙利算法在预测框和真实框之间做二分图匹配，实现一对一分配。这个设计的好处是彻底消除了NMS这个不可微分的后处理步骤，整个pipeline完全可微分，端到端训练。

但DETR有个众所周知的痛点：训练收敛极慢。原始论文在COCO上需要500个epoch才能收敛，而Faster RCNN通常12个epoch就够了。原因在于二分图匹配的监督信号非常稀疏，每个真实框只匹配一个预测框，其他预测框都被监督为“无目标”，导致早期训练时梯度信号很弱。后来Deformable DETR通过引入可变形注意力机制，让每个查询只关注参考点周围的少量采样点，收敛速度提升了10倍左右，500 epoch降到50 epoch。

DETR训练自己数据的时候有几个坑我踩过。第一是学习率设置，DETR对学习率非常敏感，backbone的学习率通常要比Transformer部分小一个数量级，否则预训练权重会被破坏。第二是数据增强，DETR对随机裁剪和缩放比较敏感，因为这会改变目标的数量和尺度分布，影响二分图匹配的稳定性。第三是类别不平衡问题，如果数据集中某些类别样本极少，DETR的小目标检测效果会明显下降，这时候需要考虑focal loss或者对稀有类别做过采样。

1.3 YOLO的工程哲学与版本演进主线

YOLO的核心思想可以用一句话概括：把检测问题转化为一个回归问题，用一个CNN同时预测所有边界框的坐标和类别。v1版本把输入图像划分成7×7的网格，每个网格预测2个边界框和类别概率，速度极快但精度一般。v2引入了锚框机制和Batch Normalization，v3引入了FPN多尺度预测和更好的backbone（Darknet-53），v4引入了CSPDarknet和Mish激活函数，v5则是在工程化上做到了极致，提供了完整的训练、推理、部署工具链。

YOLOv8是目前工业界用得最多的版本，它引入了C2f模块、解耦头（Decoupled Head）和Anchor-Free检测方式。解耦头把分类和回归分支分开，避免了两个任务之间的冲突，这个设计在YOLOX中首次提出，v8沿用并优化了。Anchor-Free则省去了锚框调参的麻烦，直接预测中心点和宽高，对小目标更友好。我实测YOLOv8s在T4上跑640分辨率，TensorRT FP16推理可以做到约2.5毫秒一帧，理论上支持400路以上的1080p25帧视频流，当然实际路数还要看解码和前后处理的开销。

YOLO的损失函数也是演进的重点。v1用的是简单的平方和误差，v2引入了YOLO Loss，v3开始用Binary Cross Entropy做分类损失，v5引入了CIoU Loss做回归，v8则用了Task-Aligned Assigner做正负样本分配。CIoU Loss相比IoU Loss多了中心点距离和长宽比一致性的惩罚项，收敛更快更稳定。Task-Aligned Assigner则根据分类得分和回归IoU的乘积来动态分配正样本，避免了固定IoU阈值带来的问题。

2. 核心细节解析与实操要点

2.1 Faster RCNN的锚框设计与ROI Align

Faster RCNN的锚框设计是影响检测精度的关键因素。默认的9个锚框（尺度128/256/512，长宽比1:1/1:2/2:1）在COCO上表现不错，但换到特定数据集就需要调整。我一般用以下流程来确定锚框参数：先统计训练集中所有真实框的宽高，然后做K-means聚类（距离度量用1-IoU），聚类数设为9，得到9个聚类中心作为锚框的宽高。这个方法比手动调参靠谱得多。

ROI Pooling有个量化误差问题：它把ROI区域划分成固定数量的bin，然后对每个bin做max pooling，但ROI的坐标是浮点数，量化到整数会引入误差。ROI Align用双线性插值替代了量化操作，在每个bin中采样4个点做双线性插值，然后取max，精度提升明显。这个改进对小目标检测尤其重要，因为小目标对坐标误差更敏感。

训练Faster RCNN的时候，正负样本划分策略也需要关注。RPN阶段，IoU大于0.7的锚框标为正样本，小于0.3的标为负样本，中间的不参与训练。检测头阶段，IoU大于0.5的ROI标为正样本，小于0.5的标为负样本。正负样本比例通常控制在1:3左右，如果负样本太多会导致正负样本极度不平衡，影响收敛。

2.2 DETR的匈牙利匹配与Transformer解码器

DETR的匈牙利匹配是训练的核心。假设有N个预测框和M个真实框（N通常远大于M），需要找到一个最优的一对一匹配，使得总匹配代价最小。匹配代价由三部分组成：分类损失、边界框L1损失和GIoU损失。分类损失用交叉熵，边界框损失用L1和GIoU的加权和。匈牙利算法的时间复杂度是O(N^3)，但N通常只有100，所以实际开销可以接受。

Transformer解码器是DETR的另一个核心组件。它接收编码器输出的特征序列和一组可学习的对象查询（Object Queries），通过自注意力和交叉注意力机制，让每个查询关注到图像中不同的区域。对象查询的数量决定了模型能检测的最大目标数，通常设为100。如果数据集中目标数量经常超过100，就需要增加查询数量，但这会增加计算量。

DETR训练自己数据的时候，数据格式需要特别注意。DETR官方代码要求COCO格式的标注文件，包括images、annotations和categories三个部分。如果原始数据是VOC格式，需要先转换成COCO格式。转换的时候要注意边界框坐标的格式：COCO用的是[x_min, y_min, width, height]，而VOC用的是[x_min, y_min, x_max, y_max]，需要做转换。另外DETR对图像尺寸有要求，短边通常缩放到800，长边不超过1333，这个预处理步骤不能省略。

2.3 YOLO的损失函数与正负样本分配

YOLOv8的损失函数由三部分组成：分类损失、回归损失和DFL（Distribution Focal Loss）。分类损失用的是BCE Loss，回归损失用的是CIoU Loss，DFL则是把边界框回归建模为离散概率分布，通过积分得到最终的框坐标。DFL的好处是让模型学习到边界框的不确定性，对模糊边界的处理更鲁棒。

正负样本分配是YOLO训练的关键环节。v5用的是基于宽高比的分配策略，v8用的是Task-Aligned Assigner。Task-Aligned Assigner的核心思想是：对于每个真实框，选择分类得分和回归IoU乘积最大的前k个预测框作为正样本。这个策略的好处是让分类和回归任务对齐，避免分类得分高但回归不准的预测框被选为正样本。

YOLO训练中BN崩溃是个常见问题。BN层在训练时用当前batch的均值和方差做归一化，如果batch size太小（比如小于8），均值和方差的估计会非常不稳定，导致训练崩溃。解决方法有两个：一是增大batch size，二是用SyncBN跨GPU同步均值和方差。如果显存不够，可以用梯度累积来模拟大batch，但要注意BN的统计量仍然是小batch的，所以梯度累积不能解决BN崩溃问题，只能用SyncBN或者冻结BN层。

2.4 三大框架的部署要点对比

部署是目标检测落地最关键的环节。Faster RCNN的部署相对复杂，因为有两阶段流程，RPN和检测头需要分别处理，TensorRT对两阶段模型的支持也不如单阶段友好。我一般用ONNX导出Faster RCNN，然后用TensorRT做推理，但ROI Align在TensorRT中的实现需要自定义插件，比较麻烦。

DETR的部署难点在于Transformer结构。TensorRT对Transformer的支持在8.0版本之后才比较完善，但DETR中的匈牙利匹配只在训练时用到，推理时只需要解码器输出和简单的阈值过滤，所以部署相对简单。不过DETR的推理速度较慢，V100上处理一张1080p图像大约需要200-300毫秒，不适合实时场景。

YOLO的部署是最成熟的。YOLOv8官方提供了ONNX、TensorRT、OpenVINO等多种导出格式，还有现成的C++和Python推理代码。TensorRT FP16量化后，YOLOv8s在T4上跑640分辨率可以做到2-3毫秒一帧，这个速度支持几十路视频流完全没问题。如果要做视频监控场景，通常还需要配合RTSP拉流、解码和前后处理，这些环节的开销也需要考虑进去。

3. 实操过程与核心环节实现

3.1 Faster RCNN训练自己数据的完整流程

假设你有一个电力红外数据集，标注格式是VOC，需要训练Faster RCNN做绝缘子检测。第一步是数据准备：把VOC格式转成COCO格式，用pycocotools做转换。转换脚本的核心逻辑是遍历VOC的XML文件，提取边界框坐标和类别，然后按照COCO的JSON结构组织。注意COCO的id从1开始，不是从0开始。

第二步是锚框聚类。用K-means对训练集的所有真实框做聚类，距离度量用1-IoU。聚类数设为9，得到9个锚框的宽高。然后把锚框参数写入配置文件。这个步骤能显著提升小目标的召回率，我实测在电力红外数据集上，聚类后的锚框比默认锚框的mAP提升了3-5个百分点。

第三步是配置训练参数。Faster RCNN的学习率通常设为0.001，用SGD优化器，momentum 0.9，weight decay 0.0005。backbone用预训练的ResNet50，前几层冻结，只训练后面的层。训练epoch数通常设12-24，如果数据集较小可以适当增加。数据增强用随机水平翻转、随机裁剪和颜色抖动，注意不要用垂直翻转，因为绝缘子的方向是有意义的。

第四步是训练和验证。用COCO评估指标，主要看mAP@0.5和mAP@0.5:0.95。训练过程中如果发现loss震荡，可以降低学习率或者增大batch size。如果验证集mAP不上升，可能是过拟合了，需要增加数据增强或者加正则化。我一般会保存每个epoch的模型，最后选验证集mAP最高的那个。

3.2 DETR训练自己数据的踩坑记录

DETR训练自己数据的第一步是准备COCO格式的标注文件。如果原始数据是VOC格式，需要写转换脚本。转换的时候要注意类别id的映射，COCO的类别id从1开始，0是背景。另外DETR要求图像的文件名在标注文件中唯一，如果有重名需要先重命名。

第二步是配置训练参数。DETR的学习率设置非常关键：backbone的学习率设为1e-5，Transformer部分的学习率设为1e-4，这是官方推荐的比例。如果backbone学习率设大了，预训练权重会被破坏，训练很难收敛。优化器用AdamW，weight decay 1e-4。学习率调度用余弦退火，warmup 10个epoch。

第三步是处理训练收敛慢的问题。如果不想换Deformable DETR，可以通过以下方式加速收敛：增加warmup epoch数、用更大的batch size、用focal loss替代交叉熵。我试过把warmup从10增加到20，收敛速度提升了约20%。另外DETR对数据增强比较敏感，随机裁剪会改变目标数量，影响二分图匹配，建议只用随机水平翻转和颜色抖动。

第四步是推理和评估。DETR推理时不需要NMS，直接对100个预测框做阈值过滤即可。但要注意DETR的输出没有经过sigmoid，分类得分需要做softmax。评估的时候用COCO指标，DETR在小目标上的表现通常不如YOLO，如果小目标很多，需要考虑用Deformable DETR或者增加查询数量。

3.3 YOLOv8从训练到TensorRT部署全流程

YOLOv8的训练流程非常标准化。第一步是准备数据，YOLO格式的标注文件是每张图对应一个txt文件，每行是class_id x_center y_center width height，坐标都归一化到0-1。如果原始数据是VOC或COCO格式，可以用Ultralytics提供的转换脚本。

第二步是配置训练参数。YOLOv8的训练配置文件是yaml格式，主要参数包括：model（模型结构）、data（数据集配置）、epochs（训练轮数）、batch（batch size）、imgsz（输入尺寸）、lr0（初始学习率）。我一般用YOLOv8s或YOLOv8m，imgsz设640，batch设16，epochs设100，lr0设0.01。如果显存不够，可以减小batch或者用梯度累积。

第三步是训练和监控。YOLOv8训练过程中会输出loss曲线、mAP曲线和混淆矩阵。混淆矩阵总合不唯一是个常见问题，原因是多类别检测中一个预测框可能被分配到多个类别，导致混淆矩阵的行和列总和不一致。这个不影响训练，但分析的时候要注意。如果发现BN崩溃，检查batch size是否太小，或者用SyncBN。

第四步是导出ONNX和TensorRT。YOLOv8提供了model.export(format='onnx')和model.export(format='engine')接口，非常方便。导出ONNX的时候要注意opset版本，建议用opset 12或更高。导出TensorRT的时候要指定FP16或INT8量化，FP16精度损失很小，速度提升明显。我实测YOLOv8s在T4上FP16推理640分辨率约2.5毫秒，INT8约1.8毫秒，但INT8需要校准数据集，精度损失约1-2个百分点。

3.4 视频流实时检测的工程实现

监控视频拉流RTSP做YOLO实时检测是个典型场景。整个pipeline包括：RTSP拉流、视频解码、预处理、YOLO推理、后处理、结果渲染和推流。RTSP拉流可以用OpenCV的VideoCapture或者GStreamer，OpenCV简单但延迟较高，GStreamer延迟低但配置复杂。我一般用GStreamer做拉流和解码，用appsink把帧送到YOLO推理。

预处理包括resize到640×640、归一化和通道转换。YOLOv8的预处理在GPU上做比在CPU上快很多，可以用CUDA kernel或者TensorRT的预处理插件。后处理包括阈值过滤和NMS，YOLOv8的输出是8400个预测框（80×80+40×40+20×20），需要先做置信度过滤再做NMS。NMS可以用TensorRT的NMS插件或者自己写CUDA kernel。

多路视频流的并发处理需要考虑GPU资源的分配。如果单路推理耗时2.5毫秒，理论上T4可以支持400路，但实际瓶颈在解码和前后处理。我一般用多线程做解码和预处理，用CUDA流做推理的并发，用共享内存做帧的传递。实测下来，T4上跑8路1080p25帧的YOLOv8s检测，GPU利用率约60%，还有余量。

4. 常见问题与排查技巧实录

4.1 训练不收敛的排查思路

训练不收敛是目标检测中最常见的问题。排查思路可以按以下顺序进行：先检查数据标注是否正确，用可视化工具把标注框画到图像上，看看有没有漏标、错标或者坐标越界。然后检查学习率是否合适，学习率太大会导致loss震荡，太小会导致收敛慢。可以用学习率扫描（LR Finder）找到合适的学习率范围。

如果数据和学习率都没问题，检查模型结构是否正确。Faster RCNN的RPN和检测头是否共享特征，DETR的Transformer层数是否匹配，YOLO的backbone和neck是否连接正确。这些结构问题在自定义模型时经常出现。另外检查损失函数是否正确实现，特别是YOLO的CIoU Loss和DFL，实现错误会导致训练完全无法收敛。

还有一个容易被忽略的问题是数据预处理。如果训练时和推理时的预处理不一致，比如训练时用了归一化但推理时没用，会导致精度大幅下降。我一般会把预处理逻辑封装成一个类，训练和推理共用，避免不一致。

4.2 小目标检测效果差的改进方案

小目标检测是目标检测的难点。改进方案可以从以下几个角度入手：第一是提高输入分辨率，YOLO从640提升到1280，小目标召回率会明显提升，但推理速度会下降约4倍。第二是修改网络结构，增加高分辨率特征图的输出，比如在YOLO的neck中增加一个更浅层的输出分支。第三是用数据增强，比如Mosaic和MixUp，让小目标在训练时出现更多次。

Faster RCNN的小目标改进主要是调整锚框尺度，增加小尺度的锚框。DETR的小目标改进可以用Deformable DETR的多尺度可变形注意力，让每个查询关注多个尺度的特征。另外可以在损失函数中增加小目标的权重，让模型更关注小目标。

我实测下来，YOLOv8在COCO上的小目标AP（AP_small）大约是30左右，如果数据集中小目标占比很高，这个指标可能更低。提升小目标检测最有效的方法还是提高输入分辨率，其次是增加高分辨率特征图。如果这两个方法都不行，可能需要考虑用专门的小目标检测算法，比如SAHI（Slicing Aided Hyper Inference），把大图切成小图分别检测。

4.3 部署时的精度损失与优化

部署时的精度损失主要来自量化。FP16量化精度损失很小，通常小于0.5个百分点，可以放心用。INT8量化精度损失较大，通常1-3个百分点，需要校准数据集来减小损失。校准数据集的选取很关键，要从训练集中随机采样500-1000张图，覆盖所有类别和场景。

TensorRT优化的时候有几个参数需要注意：workspace size要设大一些，否则某些层可能无法用最优kernel；builder optimization level设3或4，会花更多时间搜索最优kernel但推理更快；dynamic shape要设好，如果输入尺寸固定就设固定shape，性能更好。

还有一个常见问题是ONNX导出时的opset版本。不同版本的opset支持的算子不同，如果导出失败可以尝试降低opset版本。另外YOLOv8的DFL层在ONNX中可能不被支持，需要自定义算子或者用TensorRT插件实现。

4.4 常见问题速查表

4.5 独家避坑技巧

第一个技巧是关于YOLO预训练模型下载。Ultralytics的预训练模型托管在GitHub上，国内下载可能很慢。我一般用代理或者镜像站下载，下载后放到~/.cache/torch/hub/checkpoints/目录下，这样YOLO会自动加载。如果下载的模型文件名不对，YOLO会重新下载，所以文件名要匹配。

第二个技巧是关于DETR训练自己数据。DETR的官方代码要求COCO格式的标注文件，但COCO格式的JSON文件在数据量大时解析很慢。我一般会把COCO格式转成更高效的格式，比如用pycocotools的COCO类加载后转成numpy数组，训练时直接读numpy，速度提升明显。

第三个技巧是关于YOLO的TensorRT部署。YOLOv8导出的ONNX模型输出是三个尺度的特征图，后处理需要做解码和NMS。我一般把后处理也放到TensorRT中，用EfficientNMS插件，这样整个推理pipeline都在GPU上，速度更快。EfficientNMS是TensorRT 8.0之后自带的插件，支持多类别NMS，性能很好。

第四个技巧是关于Faster RCNN的ROI Align。TensorRT没有原生的ROI Align插件，需要自己写CUDA kernel。如果不想写kernel，可以把ROI Align替换成ROI Pooling，精度损失约1-2个百分点，但部署简单很多。或者用ONNX Runtime做推理，ONNX Runtime对ROI Align的支持比较好。

第五个技巧是关于视频流检测的帧率控制。如果视频流帧率是25帧，但YOLO推理只能做到20帧，会导致帧堆积。我一般用丢帧策略，如果推理队列超过一定长度就丢弃旧帧，保证实时性。另外可以用多线程做解码和推理的流水线，解码线程和推理线程通过队列通信，提高吞吐量。

5. 三大框架的适用场景与选型建议

5.1 精度优先场景的选型

如果场景对精度要求极高，比如医学影像分析、遥感图像检测、工业质检，Faster RCNN依然是首选。Faster RCNN在COCO上的mAP@0.5:0.95可以做到40以上，比YOLOv8高2-3个百分点。而且Faster RCNN对小目标的检测效果更好，因为ROI Align保留了更精确的空间信息。

DETR在精度上也有优势，特别是在大目标检测上，因为Transformer的全局注意力机制可以捕捉长距离依赖。但DETR的小目标检测不如Faster RCNN，而且训练收敛慢，需要更多数据和更长的训练时间。如果数据集足够大（比如超过10万张图），DETR可以做到很好的精度。

5.2 速度优先场景的选型

如果场景对速度要求极高，比如实时视频监控、自动驾驶、机器人导航，YOLO是唯一选择。YOLOv8s在T4上FP16推理640分辨率可以做到2.5毫秒，这个速度是Faster RCNN的30倍以上。而且YOLO的部署工具链最成熟，ONNX、TensorRT、OpenVINO都有现成的导出和推理代码。

YOLO的精度虽然不如Faster RCNN，但在大多数工业场景下已经足够。YOLOv8m在COCO上的mAP@0.5可以做到50以上，mAP@0.5:0.95可以做到37左右。如果精度不够，可以用更大的模型（YOLOv8l或YOLOv8x），或者用知识蒸馏把大模型的能力迁移到小模型。

5.3 端到端可微分场景的选型

如果场景需要端到端可微分，比如需要联合训练检测和其他任务（如跟踪、分割），DETR是更好的选择。DETR的集合预测范式天然支持多任务联合训练，而且不需要NMS后处理，整个pipeline完全可微分。DETR的变体如DETR3D、PETR在3D检测上也有很好的表现。

但DETR的推理速度较慢，V100上处理一张1080p图像需要200-300毫秒，不适合实时场景。如果要用DETR做实时检测，需要用Deformable DETR或者DINO DETR，这些变体通过可变形注意力机制大幅提升了推理速度，V100上可以做到50-80毫秒。

5.4 选型决策表

5.5 未来趋势与个人体会

从技术趋势来看，目标检测正在从“手工设计”向“自动搜索”和“端到端”演进。YOLO的版本迭代越来越快，v9、v10、v11相继发布，但核心思想没有根本变化，还是在工程优化上做文章。DETR的变体越来越多，Deformable DETR、DAB-DETR、DN-DETR、DINO DETR，收敛速度越来越快，精度越来越高。Faster RCNN虽然不再是最新的，但作为两阶段检测器的经典，依然在很多场景下不可替代。

我个人在实际操作中的体会是：不要盲目追新，要根据场景选最合适的。YOLOv8在大多数工业场景下已经足够好，部署成熟，社区活跃，遇到问题容易找到解决方案。Faster RCNN在精度要求极高的场景下依然是最稳的选择。DETR适合研究场景，工业部署还需要再等等。另外，数据质量比模型选择更重要，标注准确、覆盖全面的数据集，用YOLOv8也能做到很好的效果；标注质量差的数据集，用再新的模型也白搭。

最后再分享一个小技巧：如果要做YOLO的模型改进，不要一上来就改网络结构，先把数据增强、学习率调度、损失函数权重这些超参数调好，往往能带来更大的提升。我见过很多人花大量时间改网络结构，结果mAP只提升了0.5个百分点，而把Mosaic增强的概率从0.5调到1.0，mAP直接提升了2个百分点。超参数调优的性价比远高于结构改进。