Lil'Log（Lilian Weng 个人博客） · Lilian Weng
Object Detection Part 4: Fast Detection Models
Object Detection Part 4: Fast Detection Models是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需具备 CNN 基础与目标检测基本概念（边界框、IoU、R-CNN 系列思路）。
理解单阶段目标检测的基本思路，并能说清 YOLO、SSD、RetinaNet 等快速检测模型的流程、结构和损失设计。
Lil'Log
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 1 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
公开网页，无需账号即可阅读。
- 练习与作业
- 开课提示词尚未实际运行验证
- 内容提示
- 内容时效：网页标注发布于 2018 年 12 月 27 日，目标检测综述截至 YOLOv3（2018 年），此后该领域有重要更新。
学完你能
- 区分两阶段（基于区域）与单阶段检测器的流程差异与速度/精度权衡
- 说出 YOLO 的网格划分、边界框参数化、置信度与类别概率定义，及其输出张量形状
- 解释 YOLO 定位损失与分类损失的构成，以及 λ_coord、λ_noobj 两个缩放系数的作用
- 说明 SSD 如何用 VGG-16 上的多尺度特征金字塔和默认框（anchor）检测不同大小目标
- 了解 Focal Loss 与特征化图像金字塔在 RetinaNet 中的作用
适合你吗
适合
已在学深度学习与计算机视觉、想弄清经典快速目标检测模型原理的学习者，可按主题顺序读完全文。
暂不适合
想直接动手训练或部署检测模型、需要配套代码与数据集的人，这篇是纯概念讲解，不含代码。
需要先会
需具备 CNN 基础与目标检测基本概念（边界框、IoU、R-CNN 系列思路）。
课程特点
- 内容侧重
- 按内容目录判断
- 练习与项目
- 原文无配套练习与代码；可自行对照文中引用的 YOLO、SSD、RetinaNet 原论文做公式推导练习。
- 学习时长
- 1 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费节选中可直接读到全文正文，页面未出现付费墙或登录拦截。
内容覆盖
- Two-stage vs One-stage Detectors
- YOLO: You Only Look Once（Workflow、Network Architecture、Loss Function）
- SSD: Single Shot MultiBox Detector（Image Pyramid、Workflow、Loss Function）
- YOLOv2 / YOLO9000（YOLOv2 Improvement、YOLO9000: Rich Dataset Training）
- RetinaNet（Focal Loss、Featurized Image Pyramid、Model Architecture）
- YOLOv3
- Reference
常见问题
免费吗？
免费：节选中可直接读到全文正文，页面未出现付费墙或登录拦截。实践无额外费用：原文为概念讲解，未涉及需要付费的云服务或算力。
需要什么基础？
需具备 CNN 基础与目标检测基本概念（边界框、IoU、R-CNN 系列思路）。软件、账号与硬件：无需安装环境，浏览器打开网页即可阅读。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2018-12-27-object-recognition-part-4/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。