待验证50% 置信事实精确时间
目标检测传统上由 YOLO、Faster R-CNN、DETR 等专用架构主导，通过专用检测头回归边界框坐标与类别概率
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
微调PaliGemma 2实现自定义目标检测：从通用到专用的实践指南
redditr/learnmachinelearning2026/7/10
相关事实
待验证相比两阶段检测器如Faster R-CNN，YOLO在推理速度上具有数量级的优势78% 相似待验证One-stage检测器（如YOLO、SSD）将候选框生成与分类合并为一步，在单次前向传播中完成所有预测73% 相似已验证YOLO系列目标检测模型已从V1演进到V1169% 相似待验证自动标注管线常见架构是将目标检测模型（如 YOLO 系列、DINO、Grounding DINO）与 SAM 级联，先产出边界框再作为提示输入 SAM 获取精细掩膜68% 相似待验证对于资源受限的毕业设计场景，建议将航拍人体检测作为项目核心可交付成果，基于YOLO或DETR在SARD/HERIDAL数据集上微调67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/486018API
curl https://kongchang.com/api/v1/knowledge/claims/486018MCP
get_claim(id=486018)