单阶段方法

一阶段目标检测方法是相对两阶段算法例如 faster rcnn 所提出，其最大特点是不存在先提取大量候选区域，然后再针对这些区域进行类别预测与边界框回归，其直接端到端直接输出类别预测与边界框回归。相对两阶段算法算法，其突出特点是：速度可以做到很快、复杂程度也更低一些，但是一般来说精度会比两阶段低一些。不过随着算法的不断发展，一阶段和两阶段算法的界限越来越模糊，速度和精度方面差距也慢慢缩小。

其大致发展历程是：

• 2015 年 Ross B. Girshick 等提出著名的 yolov1 算法，CNN 进行特征提取后直接就进行类别预测与边界框回归，其最大特点是速度极快，但是精度略低

• 2015 年 Wei Liu 等提出 ssd 算法，创新性的引入了多尺度预测，同时也采用 faster RCNN 中的先验 anchor，从而实现了比 yolov1 更高的精度，比 faster rcnn 更快的速度

• 2016 年 Joseph Redmon 等提出了 yolo 系列改进版本 yolov2，其通过从骨架、网络输出 head 等部分改进，并且引入了 BN 层、高分辨率图片分类微调、多尺度训练和自动 anchor 聚类等多个策略，显著改善了 yolov1 中精度较低问题，同时速度也是极快

• 2017 年 Kaiming He 等提出了 retinanet 算法，最大创新性是针对样本不平衡问题提出了 focal loss，应用广泛，同时 retinanet 网络也是现在 one-stage 的 baseline，意义重大

• 2018 年 Joseph Redmon 等针对前系列 yolo 中存在的小物体检测性能不佳问题，通过引入新的骨架 darknet53、FPN 层和多尺度预测克服，并且提供了针对不同复杂场景的大小模型。可以说在工业领域 yolov3 是事实上的 baseline，应用极其广泛，后续改进也比较多，例如 yolov4、scale yolov4 和 yolov5 等等