目标检测赛道
数据核实：2026-06-23 · 风险项目见 选题策略
第一次来？ 直接进入 → 15 章系统性导读（23 万字，从检测基础到 MoE-YOLO，五大项目精读 + 部署链 + YOLO-Master 竞赛实战）
5 个项目：YOLO-Master、Ultralytics (YOLOv8)、mmdetection、YOLOv10、RT-DETR
核心问题：如何在速度和精度之间取得最佳平衡？从 anchor-based 到 anchor-free，从 NMS 后处理到端到端检测，目标检测范式的演进。
阅读路线
竞赛路径（优先 YOLO-Master）：行业全景 → 赛道深度分析 → 精读 yolo-master → 竞赛指南 → 技术挑战
深度学习路径：行业全景 → 赛道深度分析 → 逐项精读 → 技术挑战 → 扩展研究
研究笔记
| 层次 | 文档 |
|---|---|
| 行业全景 | 行业全景 |
| 深度分析 | 赛道深度分析 · 技术挑战 |
| 项目精读 | YOLO-Master · Ultralytics · YOLOv10 · RT-DETR · mmdetection |
扩展研究
| 文档 | 用途 |
|---|---|
| 竞赛指南: YOLO-Master 贡献 | agent/ 深读、GFI 分析、第一周行动 |
| 目标检测部署链 | 5 框架 × 6 格式兼容矩阵 |
| Edge AI 生产全景 | 两赛道总图 + 阅读顺序 + 双选建议 |
跨赛道关联：部署链 → 移动推理赛道的端侧部署流水线、YOLO 到端侧。
竞赛速查
完整竞赛指南 → 竞赛指南: YOLO-Master 贡献
目标项目：YOLO-Master（MoE-YOLO，Python，基于 Ultralytics，含 agent/ 技能封装）
第一周 checklist：
- Day 1：
pip install -e .+ MPS/CUDA 验证 predict - Day 2：读
agent/SKILL.md+dispatcher.py，理解 skill 封装架构 - Day 3：选 good-first-issue 复现（如 #36 / #3），写复现报告或 YAML 示例
- Day 4–5：基于复现写 PR（docs/wiki 或 agent/ 修复）→ 跑
moe_tools.pydiagnose 写诊断笔记
环境矩阵摘要：
| 环境 | 能做什么 | 不能做什么 |
|---|---|---|
| Mac（MPS） | 安装、推理、agent/ 开发、Gradio、文档 PR | 完整训练（部分 MoE 算子不支持）、多卡 DDP |
| Linux + CUDA | 全功能（训练、导出、MoE 诊断/剪枝、INT8） | — |
| CPU only | 代码阅读、文档、agent/ 单测、低速 predict | 训练、MoE 路由分析 |
已知风险：MoE 模块快速迭代（PR 易与上游冲突，优先 agent/、docs/ 等低冲突目录）；ultralytics 依赖版本锁定不严。
读完竞赛路径后你应能…
- YOLO-Master 的 MoE-YOLO 设计与 YOLOv8 / YOLOv10 的主要架构差异是什么？
- 目标检测从 anchor-based 到 anchor-free 的演进解决了什么问题？RT-DETR 用了哪种方案？
- 给你 YOLO-Master 的 agent/ 目录代码，你能说清它与检测主模型的关系和交互方式吗？