2D 目标检测 / 10
Cascade R-CNN
级联两阶段检测器
Cascade R-CNN串联多个逐步提高 IoU 阈值的检测头，使候选框在不同质量阶段持续精修，重点改善严格 IoU 指标下的边界框定位精度。代表性参数规模为约 69M（R50-FPN 代表配置），性能定位是高 IoU 定位精度突出，计算成本较高。
- 技术来源
- Cai 与 Vasconcelos
- 提出时间
- 2018
- 性能定位
- 高 IoU 定位精度突出，计算成本较高
- 部署成熟度
- 较成熟
PARAMETERS
参考参数与输入输出
参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。
PERFORMANCE
性能如何理解
高 IoU 定位精度突出，计算成本较高。定位质量通常优于 Faster R-CNN，但速度和资源成本进一步增加。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。
- 推理速度
- 低
- 精度定位
- 很高
- 部署成熟度
- 较成熟
CHARACTERISTICS & USE CASES
核心特点与应用边界
核心特点
- 多级检测头逐步提高框质量
- 对高 IoU 评价和精细定位有优势
- 可与不同骨干、FPN 和分割头组合
典型场景
- 精密零件定位
- 尺寸测量前检测
- 高质量缺陷框标注
限制与风险
- 参数量、训练时间和推理延迟明显增加
- 低延迟产线需评估级联层数收益
MODEL COMPARISON
2D 目标检测同类模型对比
| 模型 | 参考参数规模 | 速度 | 精度定位 | 部署 | 优先场景 |
|---|---|---|---|---|---|
| YOLOv5 | 约 1.9M–86.7M（n 至 x） | 很高 | 中高 | 成熟 | 工业缺陷初筛 |
| YOLOv6 | 约 4.7M–59.6M（N 至 L） | 很高 | 中高 | 成熟 | 高速产线检测 |
| YOLOv7 | 约 6.2M–71.3M（tiny 至 X） | 很高 | 中高 | 较成熟 | 实时视频分析 |
| YOLOv8 | 约 3.2M–68.2M（n 至 x） | 很高 | 高 | 成熟 | 常规工业检测 |
| YOLOv9 | 约 2M–58M（不同公开配置） | 高 | 高 | 一般 | 复杂背景检测 |
| YOLOv10 | 约 2.3M–29.5M（N 至 X） | 很高 | 高 | 较成熟 | 低延迟在线检测 |
| YOLO11 | 约 2.6M–56.9M（n 至 x，检测配置） | 很高 | 高 | 成熟 | 新建工业视觉项目 |
| RT-DETR | 约 20M–76M（R18 至 R101 等配置） | 高 | 很高 | 较成熟 | 密集目标检测 |
| Faster R-CNN | 约 42M（R50-FPN 代表配置） | 中低 | 很高 | 成熟 | 精密缺陷定位 |
| Cascade R-CNN当前 | 约 69M（R50-FPN 代表配置） | 低 | 很高 | 较成熟 | 精密零件定位 |
| RetinaNet | 约 38M（R50-FPN 代表配置） | 中 | 高 | 成熟 | 稀少缺陷检测 |
| FCOS | 约 32M（R50-FPN 代表配置） | 中高 | 高 | 较成熟 | 多尺度目标检测 |
| ATSS | 约 32M（R50-FPN 代表配置） | 中高 | 高 | 较成熟 | 目标尺度变化明显 |
表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。