㈠ 目標檢測One-stage經典網路模型
目標檢測領域中，一系列經典的一階段模型不斷涌現，它們以高效和精確為特點，推動了技術的革新。YOLOv1作為先驅者，以其單一階段的結構、實時性及統一的Image Classification和Object Detection設計，奠定了基礎。YOLOv1採用CNN網路，每個7*7的單元格輸出包含類別概率、邊界框置信度和邊界框信息，雖簡單但速度和精度兼具。
緊隨其後的SSD在2015年出現，針對YOLO的不足，通過多尺度特徵圖檢測不同大小的目標，使用卷積層替代FC層，並引入多個不同尺度的先驗框，提高了精度。RetinaNet在2017年則通過Focal Loss解決了一階段模型的類別不平衡問題，提升了精度與速度。YOLOv3和YOLOv4則是這一系列中的重要里程碑，YOLOv3通過加深網路結構和引入FPN，YOLOv4則實現了更優的速度和准確性，並在實時檢測上取得了突破。
EfficientDet在2019年探索了模型精度與解析度、深度和寬度的關系，構建出高效的特徵提取backbone，BiFPN和Box prediction net的結合使其在COCO數據集上達到SOTA。YOLOv4作為YOLOv3的後續，不僅保持了系列的延續性，還實現了視頻流上的實時檢測，標志著目標檢測技術進入了全新的實用階段。
這些經典的一階段模型，無論是YOLOv1的革新性設計，還是SSD、RetinaNet、YOLOv3和EfficientDet的不斷優化，都在推動著目標檢測技術的發展，為各種應用場景提供了強大的工具。