每周日晚上我都会固定做一件事把 arXiv 上目标检测方向的最近投稿过一遍分类整理挑出值得精读的收藏起来。这个习惯坚持了好几年已经成了我追踪技术与找选题的主要方式。这周8月30日到9月5日的更新量不算少方向也很密小目标检测、多模态检测、三维目标检测、特定场景检测都有一些值得记一笔的工作。这篇文章就是我这周的论文整理笔记顺手把大家常问的评价指标、YOLO配置文件、arXiv 投稿和查论文的实操问题也写进来了。适合刚入门目标检测的研究生、做算法落地的工程师以及所有想快速跟上最新进展的人。内容不堆术语能看懂能照着用是主要目的。1. 本周目标检测论文的几个集中方向1.1 小目标检测依然是绕不开的坎这周关于小目标检测的投稿至少有七八篇比例比上个月还高。原因不复杂常规检测器在大中物体上已经刷得很高COCO 的 mAP_s小物体却一直偏低而实际场景里无人机航拍、遥感图像、自动驾驶远景、监控视频全都依赖小目标检测。这不是一个会过时的方向每个做检测的人迟早都要面对它。这周看到的方法大致分几派。一派在特征金字塔上做文章把浅层高分辨率特征和深层语义特征做更细的融合或者干脆新增检测层来保留小目标的梯度和位置信息。另一派在标签分配上找问题小目标与 anchor 的 IoU 天然偏低用静态 IoU 阈值很容易丢掉正样本所以有人提了动态分配策略让网络自己学哪些位置该被当作正样本。还有一派直接改损失函数针对小目标位置偏差敏感的特点在回归分支上加重惩罚。我的习惯是看到这类文章先翻实验表格看有没有单独的 mAP_s 结果。很多论文通篇只报一个 mAP 50.7 这种总指标但拆分后小目标几乎没动过。如果一篇论文能在 mAP_s 上显著涨 1.5 个点以上同时总 mAP 不掉我才会把正文收藏下来仔细读。1.2 多模态与视觉大模型正在往检测渗透热词里出现了 qwen3.8 目标检测加上这周几篇开放词汇和视觉语言模型做检测的投稿多模态检测明显是目前最活跃的方向之一。这类工作的核心思路已经变了不再把检测当作“框加类名”的封闭任务而是让模型基于文本描述或上下文语义来定位物体有点像是从“背答案”变成了“读题答题”。具体到这周值得关注的有三类。第一类是开放词汇检测用 CLIP 类的文本编码器替代固定分类头模型可以检测训练时没见过的类名第二类是多模态大模型直接输出 box 坐标把区域定位能力嵌进 LLM 的解码过程让模型能根据用户的一句话圈出对应物体第三类是用大模型做数据增强或标签生成用文本引导生成带标注框的训练图解决长尾类别数据不足的问题。我个人觉得这类文章最大的价值不是马上刷榜而是重新定义了检测任务的边界。做工程的同学可以重点关注开放词汇那一支因为很多项目里“类别列表经常变”是刚需每换一个场景就重新标注一批数据成本实在太高了。1.3 三维目标检测BEV 和点云仍是主线三维目标检测这周也有几篇扎实的工作主要集中在自动驾驶和机器人场景。主流路线依旧是两大类一类是纯点云方法比如对 PointPillars 这类结构做改进希望在稀疏点云上把特征提得更好另一类是 BEV 方法把多相机图像统一投影到鸟瞰视角再在 BEV 空间里做检测更适合依赖纯视觉方案的系统。这周有个让我印象比较深的方向是把时序信息做进 BEV 特征让检测器不只看单帧而是用相邻几帧的运动线索推断被遮挡物体的位置。另一个工作在做点云和图像的跨模态对齐不是简单把两个模态的特征拼接起来而是学习模态间的关联权重看下来比直接 concat 稳定不少。如果你在自动驾驶或者机器人方向做落地这周的三维检测文章挑两篇精读就够了不用每篇都看。原因很现实很多方法对传感器配置、标定精度、点云密度极其敏感项目里不一定能用上读多了反而容易乱。1.4 特定场景检测无人机、水下与鸟类特定场景检测这周也冒出一批新工作。无人机目标检测主要难在小目标和背景复杂这周好几篇都围绕密集小目标或旋转框展开水下目标检测因为图像颜色偏绿、对比度低很多人开始把图像增强网络和检测网络联合起来训练鸟类检测的热度来源于生态观测这周有人发布了新的鸟类检测数据集覆盖几百种鸟的检测框标注。这类特定场景的工作通用性固然不如 COCO 刷榜方法但对做行业应用、接项目的工程师来说非常实用。我一般会把它们的 backbone 和 trick 记下来当作自己数据集上调试的备选方案。尤其是鸟类数据集这种“类别多但单类样本少”的数据结构天然适合验证长尾学习和小样本方法做研究的人也可以留意。2. 训练目标检测模型绕不开的评价指标热搜词里并列出现“目标检测训练过程中评价标准”和“目标检测评价指标”说明很多人卡在训练完之后不知道怎么评估模型好坏。这一段我尽量讲透从 mAP 怎么算到小目标指标再到工程上还要看什么。2.1 mAP 到底是怎么算出来的mAP 是目标检测里最核心的指标但很多人只是知道它叫“均值平均精度”并不知道底层的计算逻辑。先看两个基础概念Precision查准率和 Recall查全率。假设一张图里有 10 个真实目标模型检测出 8 个框其中 6 个是对的那么 Precision6/80.75Recall6/100.6。问题来了怎么定义“对的框”目标检测里的标准是预测框和真实框之间的 IoU 是否大于某个阈值。IoU 就是两个框交集面积除以并集面积越接近 1说明框越准。如果阈值设为 0.5那 IoU 大于等于 0.5 的预测框就算正确。AP 就是在某个 IoU 阈值下把置信度阈值从高到低扫描得到一系列 Precision 和 Recall 点画出 PR 曲线再算曲线下的面积。mAP 就是所有类别 AP 的均值。现在论文里最常看到两个口径mAP0.5IoU 阈值固定 0.5比较宽容接近早期 VOC 时代的 mAP 含义。mAP0.5:0.95从 0.5 到 0.95每隔 0.05 取一个 IoU 阈值算 10 个 AP 再取平均非常严格是 COCO 以来论文的主流指标。mAP0.5:0.95 对定位精度异常敏感因为 IoU 阈值越高边界框稍微偏一点就会从 TP 变成 FP。这也是为什么很多初学者发现 mAP0.5 看起来还不错但 mAP0.5:0.95 惨不忍睹——本质上是框不够准不是目标没找到。2.2 COCO 数据集里的小目标为什么难涨COCO 评估里按物体像素面积把目标分成三档小目标面积小于 32×32、中目标32×32 到 96×96、大目标大于 96×96。对应的指标是 mAP_s、mAP_m、mAP_l。小目标对检测器来说是双重打击。首先是特征层面一个 8×8 的小目标经过 32 倍下采样之后在深层特征图上可能只剩一两个像素的信息跟噪声没什么区别。其次是标签分配层面小目标和 anchor 的 IoU 很难冲到 0.5 以上静态 IoU 阈值会把大部分小目标候选直接归为负样本所以训练阶段就丢了。很多论文故意把 mAP_s 单独列出来一方面是为了证明方法不是只在容易的大目标上刷分另一方面也是告诉审稿人小目标提升是真实贡献。如果你在调自己的数据集我强烈建议除了总 mAP把 mAP_s、mAP_m、mAP_l 都打印出来看看。否则你根本分不清模型是“根本没检测到”还是“定位不够准”调优方向很容易走偏。2.3 除了 mAP工程落地还要看什么论文里只看 mAP但做工程不能只看 mAP。至少要从三个维度一起考察精度、速度、资源占用。很多模型在论文里很漂亮一到实际设备上就露馅。指标作用说明F1 分数精度与召回的平衡类别不均衡时比 mAP 更直观单类 AP细粒度分析一眼找出拖后腿的类别FPS / 延迟实时性车载、监控、端侧都极其敏感FLOPs / 参数量资源占用决定能否部署到目标硬件推理内存占用工程约束有时比 FLOPs 更关键量化后精度部署适配很多端侧芯片必须做 INT8这里要特别提醒论文里报的 FPS你未必比得了。不同 GPU、不同 TensorRT 版本、是否开 FP16跑出来的速度差距非常大。我自己的做法是固定一台设备和同一个推理框架把要对比的模型都重测一遍再决定用哪个直接抄论文里的数字容易踩坑。2.4 训练过程中哪些曲线值得盯“目标检测训练过程中评价标准”这个热词我理解不光是最终评测还包括训练过程中的实时监控。用 YOLOv8 举例训练时终端会打印 box_loss、cls_loss、dfl_loss同时输出的 results.png 里包含了 P、R、mAP50、mAP50-95 四条曲线。我一般重点看两条一条是验证集上的 mAP50-95 是否还在稳定上升如果连续 20 个 epoch 不涨基本就到了平台期可以考虑早停另一条是训练 loss 和验证 loss 的差距如果训练 loss 一直降、验证 loss 反而回升那就是过拟合信号该加正则化或数据增强。这里的核心原则是训练 loss 只是一个过程指标模型好坏最终以验证集指标为准。3. YOLO 系列实操配置文件、检测头和 GPU 选型热搜词里“yolov8 目标检测”“yolo目标检测 yaml 配置文件”“yolov8 小目标检测头”热度很高说明很多人已经在跑 YOLO 系列了。这一节我把三个高频问题一次性说清楚。3.1 yaml 配置文件到底改哪几处YOLOv8 把数据集路径、模型结构、训练超参拆成了多个 yaml 和命令行参数第一次接触的人很容易懵。其实核心不用管太多记住三个文件概念就行。第一个是数据 yaml它告诉模型去哪找图片和标签。示例path: /data/project/dataset # 数据集根目录 train: images/train # 训练集相对路径 val: images/val # 验证集相对路径 nc: 3 # 类别数 names: [cat, dog, bird]第二个是模型 yaml定义 backbone 和 head 结构。如果你直接用官方 yolov8n.yaml默认 nc 是 80要改成自己的类别数。实际上训练时 YOLOv8 会从数据 yaml 强制读取 nc但两边保持一致永远是最稳妥的。第三个是训练参数一般通过命令行传。示例yolo detect train datamy_data.yaml modelyolov8n.pt epochs100 imgsz640 batch8 device0这里 model 参数可以传 .pt 预训练权重也可以传 .yaml 从头训练。新手最容易踩的坑是数据集路径写错、nc 不对、图片和标签名对不上。数据 yaml 里的 path 建议写绝对路径少用相对路径能省掉很多诡异的报错。3.2 给 YOLOv8 加小目标检测头的常见做法YOLOv8 默认检测头在 P3、P4、P5 三层特征图对应 8 倍、16 倍、32 倍下采样。小目标经过 32 倍下采样后信息几乎丢失所以社区最常见的改法是新增一个 P2 层也就是 4 倍下采样的高分辨率特征图让模型在更大的特征图上单独检测小目标。做法上通常是在模型 yaml 的 head 部分增加一个来自浅层特征的分支把这个分支和后面若干层做特征拼接或融合再接到 detect 层。需要注意P2 层分辨率高计算量和显存会明显上涨同时对中大型数据集反而容易过拟合。我的建议是动手之前先统计自己数据集的目标尺寸分布。如果大量目标面积小于 32×32加 P2 是值得的如果你的目标本来就不小强行加 P2 只会拖慢训练速度还可能掉点。数据分布决定方案而不是方案决定数据。3.3 训练 YOLO 真的需要 GPU 吗热词里有人直接问“需要用到 gpu吗?”我直接给结论正式训练目标检测模型强烈建议用 GPUCPU 只适合调试小数据和跑通流程。以 YOLOv8n 为例在 CPU 上训练一个很小的数据集一个 epoch 都可能要几十分钟换主流 GPU几十秒到几分钟就能跑完一个 epoch。显存需求大致参考模型输入尺寸推荐显存YOLOv8n6404GB 以上YOLOv8s6406GB 以上YOLOv8m6408GB 以上YOLOv8l64012GB 以上YOLOv8x64016GB 以上这只是单卡单 batch 的保守估算实际还受 batch size 和是否开启 AMP 混合精度影响。显存不够时优先降 batch size配合梯度累积功能可以模拟更大的 batch 效果。如果本地确实没有 GPU可以先在免费 notebook 上用 T4 级别的卡做小数据验证确认方案可行再上完整训练。4. arXiv 投稿与刷论文的那些实际问题既然是论文整理就绕不开 arXiv 本身。热词里“arxiv提交全流程”“arxiv提交的文章onhold”“arxiv镜像网站”指向同一个需求大家不只是想看论文还想自己提交、自己查。这一节我把自己踩过的坑和整理论文的经验一并写出来。4.1 从注册到提交成功的完整流程第一次提交 arXiv 论文流程不算复杂但细节很磨人。你需要先在官网注册账号然后进入提交页面上传源文件或编译好的 PDF填写标题、作者、摘要、分类再完成声明。需要注意几个关键点。源文件格式方面最稳妥的是用 LaTeX 编译后上传 .tex 源码系统会自动生成 PDF如果你用 Word 或 Pages要先想好怎么转成符合 arXiv 要求的排版不然 metadata 审核阶段容易被卡。分类选择方面目标检测相关的文章一般投 cs.CV涉及机器人可以勾选 cs.RO涉及多媒体可以加 cs.MM。分类选得准同行才更容易刷到你的文章。提交之后系统会进入编译和审核队列。通常几分钟内状态会变成 Submitted之后可能出现 Announced也可能出现 On hold。这个过程不复杂但每一条状态变化背后都有具体原因很多人就是在这里慌了神。4.2 提交状态变成 onhold 怎么办onhold 不是被拒而是文章被 arXiv 审核团队暂时 hold 住等进一步确认。常见原因有几个metadata 信息不完整比如作者姓名大小写、摘要里有特殊字符。作者列表和注释不一致比如标记了“同等贡献”但没说明清楚。系统生成的 PDF 和作者本地上传的 PDF 差异较大触发人工复核。新账号第一次提交或者内容涉及多个学科人工审核概率会更高。遇到 onhold 的第一反应不应该是焦虑而是去看邮箱。arXiv 会发来一封说明邮件里面会写清楚具体原因。按邮件要求修改信息、补充确认再重新提交即可。只要内容本身没有问题onhold 通常一两天内就会解除。千万不要重复提交多个版本那样只会让审核更慢。4.3 刷 arXiv 更新最有效率的几个办法每天手动刷新网页是效率最低的方式。我现在主要用两种方法第一种是 RSS 订阅把目标检测方向的 feed 地址加进阅读器每天定时更新标题和摘要第二种是 arXiv 的邮件订阅服务按分类和频率设置每周或每天收到新论文列表。镜像站这个话题很多做学术的人都会提到。我的态度是优先用官方网站和它提供的订阅能力如果你的网络环境确实存在访问不稳定的问题再考虑第三方聚合站或镜像但使用时要特别留意论文展示的完整性和时效性别因为镜像同步延迟错过最新更新。另外不少第三方站点会顺带展示评论数、下载量和相关论文这些信息在筛选的时候其实很有用。除了订阅我还会定期去几个人气比较高的论文讨论社区逛逛看大家在聊哪些方向。很多论文不是自己刷到的而是从别人的讨论串里发现的这种“被动接收”有时候比主动刷更高效。4.4 怎么识别“编号火起来的论文”热词里出现了 arxiv:2406.09246 这种编号。出现这种编号通常是因为某篇论文在社区里被讨论了大家直接报编号传播。这里我要提醒一点同一个编号可能有 v1、v2、v3 多个版本社区讨论的结论对应的可能是 v1而最新版本可能已经修改了实验甚至作者列表。拿到一个编号后一定要去官网确认最新版本号和更新时间再决定要不要引用。另外可以顺带看看该论文的提交历史里每个版本改动大不大如果 v2 和 v1 的实验结果差异明显说明作者还在快速迭代这种情况引用时要格外谨慎。5. 每周读论文我自己的筛选方法前面讲的都是“怎么找”这章讲讲“怎么筛”。每周目标检测方向更新几十篇不可能全部精读我给自己定了一套筛选流程分享出来供参考。5.1 三分钟快速判断值不值得精读我的方法是三分钟过三关。第一关看标题标题是不是新问题或者新角度。懂行的人扫一眼标题就能排除掉一半以上的水稿比如遇到《A New Approach for Object Detection》这种除了空泛没有任何信息的标题直接跳过第一关就淘汰了。第二关看摘要摘要里有没有明确的技术贡献和主要数字。如果整段摘要都在描述问题多么重要、挑战多么巨大却不说自己的方法是什么、效果提升多少不值得花时间。第三关看方法和实验表格。一个清晰的方法结构图胜过千字描述实验部分如果只有自己的方法数字没有和多个主流基线对比说明作者不太敢比这种工作可信度要打折扣。三关都过了我才会下载全文精读。5.2 什么样的论文我会收藏我会收藏三种类型的论文。第一种是能直接改造到自己项目里的方法哪怕提升只有 0.5 个点能够稳定落地就是价值。第二种是数据集或 benchmark 类工作这类论文短期热度不高但因为后续很多人会引用和使用收藏起来长期有用。第三种是代码质量很高、README 齐全、预训练权重已经放出来的工作复现时能省掉大量时间。反过来那种只在模拟数据集上刷分、明明篇幅不短却不开源代码、连检测框可视化示例图都画不圆的论文我一般看个摘要就跳过。毕竟论文读多了好方法和坏工作之间往往隔着一眼就能闻出来的差距。5.3 复现一篇论文前必查的四个问题决定复现一篇 arXiv 论文之前我会先回答四个问题。第一官方代码是否开源语言和框架是不是我熟悉的第二依赖的 PyTorch/CUDA 版本和本地环境是否兼容很多报错其实都出在环境上第三训练数据集是否公开下载和标注转换的成本是否可控第四论文声称的效果是不是在单卡上就能复现如果非要几十张 GPU 堆出来的结果要慎重评估时间成本。如果四个问题里有三个还不确定我就先跑推理 demo不直接训练。很多作者放出预训练权重就是为了让大家先看到效果先确认 demo 和论文描述一致再决定要不要投入训练。跳过这一步直接训练等于把判断权交给作者风险很大。最后说一段我自己的体会坚持做每周 arXiv 整理最大的收益不是“追了新论文”而是逼着自己每周都去思考这个领域现在缺什么、有什么问题值得做。目标检测看起来很卷但每周依然会冒出让人眼前一亮的思路这就是这个方向的魅力。希望这篇整理能帮你少走点弯路。