2D 目标检测 / 11
RetinaNet
Focal Loss 单阶段检测器
RetinaNet以 Focal Loss 降低大量易分类背景样本的权重，让单阶段检测器更专注于困难前景和稀少类别，在不平衡数据中表现稳定。代表性参数规模为约 38M（R50-FPN 代表配置），性能定位是类别不平衡时稳定，速度介于 YOLO 与两阶段模型之间。
- 技术来源
- Facebook AI Research
- 提出时间
- 2017
- 性能定位
- 类别不平衡时稳定，速度介于 YOLO 与两阶段模型之间
- 部署成熟度
- 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
类别不平衡时稳定，速度介于 YOLO 与两阶段模型之间。不平衡场景通常比早期单阶段模型稳健，但实时吞吐不及现代 YOLO。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
- 中
- 精度定位
- 高
- 部署成熟度
- 成熟
CHARACTERISTICS & USE CASES
核心特点与应用边界
核心特点
- Focal Loss 专门处理前景背景不平衡
- FPN 支持多尺度目标
- 结构经典，便于作为损失函数与检测基线
典型场景
- 稀少缺陷检测
- 类别严重不平衡
- 复杂背景中的难样本
限制与风险
- 密集 Anchor 计算与后处理成本不低
- Anchor 尺寸仍需结合业务目标调优
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 | 约 69M（R50-FPN 代表配置） | 低 | 很高 | 较成熟 | 精密零件定位 |
| RetinaNet当前 | 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。