第 12 章 · 跨项目对比分析——五大检测器的全景地图

Ultralytics (YOLOv8):
  CSPDarknet + C2f
  → 纯卷积，GPU 友好，工程成熟

YOLOv10:
  CSPDarknet + C2fCIB + PSA
  → 卷积为主 + 最后一层加一点注意力
  → "在 YOLOv8 上做减法"

RT-DETR:
  HGNetv2 + AIFI (Self-Attention) + CCFM (卷积融合)
  → 卷积 backbone + Transformer encoder + 卷积 neck
  → "混合架构"

mmdetection:
  可插拔（ResNet/Swin/CSPDarknet/...）
  → 不绑定特定 backbone

YOLO-Master:
  CSPDarknet + MoE_C2f
  → 在 YOLOv8 的 C2f 中注入条件计算
  → "在 YOLOv8 上做加法（但是聪明的加法）"

检测流水线:  [数据增强] → [Backbone] → [Neck] → [Head] → [后处理]

Ultralytics:    ████████████████████████████████████████████
                整个流水线的工程优化（全面但无单点突破）

YOLOv10:                    ██████████         ████████████
                         Backbone 轻量化      去掉 NMS

RT-DETR:                    ████████████████████
                         Encoder 混合化 + Decoder 集合预测

mmdetection:    全面覆盖（作为平台，包含所有方法的实现）

YOLO-Master:                ████████
                         Backbone 中的 MoE（条件计算）

                 mAP
                  │
            55 ─  │                          RT-DETR-X ●
                  │                    RT-DETR-L ●
                  │                          ● YOLOv8x
            53 ─  │
                  │              YOLO-Master-M ●
                  │                   ● YOLOv8l
            51 ─  │          ● YOLOv10m
                  │     ● YOLOv8m ● YOLO-Master-S
            49 ─  │
                  │
            47 ─  │        ● YOLOv10s
                  │  ● YOLOv8s
            45 ─  │
                  │
            43 ─  │
                  │
                  │ ● YOLOv10n
            39 ─  │● YOLOv8n
                  │
                  └───┬────┬────┬────┬────┬────┬────→ 延迟 (ms)
                      2    4    6    8   10   12   16

你要做什么？
│
├── 工业产品开发（需要稳定、好部署）
│   └── → Ultralytics (YOLOv8)
│
├── 追求极致推理速度（边缘设备、实时性硬约束）
│   └── → YOLOv10
│
├── 需要端到端、NMS-Free（延迟可确定性要求高）
│   ├── 大模型预算（服务器 GPU）→ RT-DETR
│   └── 小模型预算（边缘设备）→ YOLOv10
│
├── 学术研究（对比多种方法、复现论文）
│   └── → mmdetection
│
├── 犀牛鸟参赛（贡献 YOLO-Master）
│   └── → YOLO-Master（主）+ Ultralytics（基座）
│       + mmdetection（baseline 对比）
│       + YOLOv10 / RT-DETR（技术借鉴）
│
└── 不确定 / 快速原型
    └── → Ultralytics（最低门槛）

2015-2018: YOLO v1-v3   →  "单阶段检测可以又快又准"
2020:      DETR          →  "Transformer 可以做检测，而且不需要 NMS"
2020-2022: YOLOv4-v7     →  "卷积检测器的工程极致"
2023:      YOLOv8/Ultra  →  "框架化、产品化"
2023:      RT-DETR       →  "Transformer 检测器也可以实时"
2024:      YOLOv10       →  "卷积检测器也可以不要 NMS"
2025:      YOLO-Master   →  "用 MoE 让检测器更聪明地分配计算"

趋势:
  anchor → anchor-free → NMS-free → 条件计算
  手工设计 → 可学习 → 端到端 → 自适应

1. 技术创新性：你的改进是否有新意？
   → 不是调参，而是方法层面的创新

2. 实验充分性：消融实验是否全面？
   → 每个改进都需要证明"有它比没它好"

3. 代码质量：你的代码是否可以合并到主仓库？
   → 代码风格、测试覆盖、文档

4. 报告质量：你能否清楚地解释你做了什么、为什么有效？
   → 论文 / 报告的写作

第 1 周：
  - 跑通 YOLO-Master 的训练和推理
  - 跑通 YOLOv8 baseline
  - 理解代码结构

第 2-3 周：
  - 选定 1-2 个改进方向
  - 实现初版并在 COCO 子集上快速验证
  - 做消融实验确认改进有效

第 4-5 周：
  - 完善实现
  - 在完整 COCO 上训练并评估
  - 准备报告 / 论文

第 6 周：
  - 代码清理、文档编写
  - 提交 PR