基于DL的深度学习目标检测算法主要可分为One-Stage和Two-Stage两大类，这两类分别是不同的实现思路。

One-stage

思路：直接通过卷积神经网络进行特征提取，进行分类和回归任务。

 

 

典型算法：RCNN系列（RCNN、Fast RCNN、Faster-RCNN、Mask-RCNN），SPPNet、R-FCN

Two-Stage

思路：首先进行候选区域生成，再通过卷积神经网络进行分类和回归。

 

 

典型算法：YOLO系列（YOLOV1-YOLOV5、YOLOVX)，SSD、Retina-Net

One-Stage和Two-Stage优缺点：

One-stage：

优点：推理速度快，网络的泛化性能更好，避免背景错误产生false  

缺点：精度低（定位，检出率），小物体的检测效果不好

Two-Stage:

优点：精度高（Anchor机制）

缺点：推理速度慢，训练时间长，误报相对高