2D 目标检测 / 09

Faster R-CNN

两阶段区域检测器

Faster R-CNN先由区域建议网络生成候选框，再完成分类和边界框精修，结构清晰且训练行为稳定，是精度导向检测和算法对照实验的经典基线。代表性参数规模为约 42M（R50-FPN 代表配置），性能定位是定位稳定、精度基线可靠，但推理速度较慢。适合精密缺陷定位、中小数据集基线和离线高精度检测。

PARAMETERS

参考参数与输入输出

代表性参数量约 42M（R50-FPN 代表配置）

输入RGB 图像；短边常设 800 像素

输出候选区域、类别、置信度与精修边界框

算力与部署服务器 GPU；CPU 推理通常不适合实时任务

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

定位稳定、精度基线可靠，但推理速度较慢。定位精度和可解释性优于轻量 YOLO，但吞吐率与边缘部署能力较弱。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。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

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当前	约 42M（R50-FPN 代表配置）	中低	很高	成熟	精密缺陷定位
Cascade R-CNN	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。

SELECTION SUMMARY

Faster R-CNN适合优先考虑精密缺陷定位、中小数据集基线、离线高精度检测的项目。它的主要价值是RPN 与检测头分工明确；需要重点评估两阶段结构带来更高延迟和显存占用、候选框数量会影响速度与召回率。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。