如今落地的cv業務所用方法不一。但其中有兩種演算法簡單高效，較為常用：
演算法優點
缺點改進方案
retinanet很簡單、精度較高、速度快
fp較多
增加後處理
fpn + faster r-cnn較簡單、精度很高、fp少
速度有待提高
簡化basemodel
甚至連無人駕駛這種對實時性要求極高的應用場景，也多採用fpn+faster r-cnn作為其基本演算法。
還有的會用light-head r-cnn、deformable r-fcn等。
其他演算法，諸如yolo系、ssd等等，都因為檢測精度太差，而空有那麼高的速度，採用較少。
snip一類的，普通顯示卡甚至都帶不起來，更別提落地了。
在resnet (2015.12) 出來之前，basemodel經歷了從alexnet一家獨大，到vgg和googlenet平分天下的時期。
resnet出來後，由於其簡單和強大，成為了basemodel的絕對標桿。
如今從業者一般遵循以下流程：
先用resnet-50來驗證演算法的有效性；
直接匯入pre-train好的模型，在自己的資料集上fine-tune一、二十個epoch即可；
當該演算法在resnet-50上切實有效後，如果要追求演算法速度 (例如落地到移動端)，則將basemodel替換為 xception (較常用的是xception-145) 、mobilenet、shufflenet 等等；如果要追求精度 (例如**文、打比賽刷榜)，則將basemodel替換為 resnet-101 / resnext-101 / densenet / dpn 等等。
basemodel部分，一般直接匯入現成訓練好的。之後在自己的資料集上fine-tune整個網路。
but，絕大部分trick，都不如根據test情況，針對性地加資料來得實在。
深度學習異物檢測演算法 深度學習演算法部署專案 開源
目前筆者的開源工程處於建立的初期，很多模組還不完善，所以目前是乙個半開源的狀態，但是完全不影響二次開發和使用，介面比較簡單，感興趣可以嘗試一下。後續筆者會開源所有源 但是真心希望小夥伴們給一些點讚和關注，整個專案都是業餘時間做比較辛苦，如果沒人關注了不知道能堅持多久，先行謝謝了！人臉檢測 木木林 人...
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...
基於深度學習的 目標檢測 演算法綜述
三部曲，這樣就有兩個難以解決的問題 其一是區域選擇的策略效果差 時間複雜度高 其二是手工提取的特徵魯棒性較差。傳統的區域選擇使用滑窗，每滑乙個視窗檢測一次，相鄰視窗資訊重疊高，檢測速度慢。r cnn 使用乙個啟發式方法 selective search 先生成候選區域再檢測，降低資訊冗餘程度，從而提...