《视觉模型编年史：从 YOLO 到 SAM，计算机视觉的十年演进》

计算机视觉领域在过去十年经历了革命性的变化。从 YOLO 的实时检测到 SAM 的通用分割，本文将梳理视觉模型的重要里程碑。

第一章：目标检测的黄金时代（2012-2024）

2012：AlexNet 开启深度学习时代

虽然 AlexNet 是分类模型，但它证明了深度 CNN 在视觉任务上的威力，为后续目标检测奠定基础。

• 突破：ImageNet 竞赛错误率从 26% 降至 15%
• 影响：深度学习在计算机视觉的爆发起点

2014：R-CNN 系列 - 两阶段检测的巅峰

R-CNN（Regions with CNN features）

• 提出 Selective Search + CNN 的两阶段范式
• 首次将 CNN 用于目标检测
• 速度：47 秒/图像（GPU）

Fast R-CNN（2015）

• 引入 ROI Pooling
• 速度：0.3 秒/图像

Faster R-CNN（2015）

• 用 RPN 替代 Selective Search
• 首个端到端训练的两阶段检测器

2015：YOLO 革命 - 实时检测的诞生

YOLOv1（You Only Look Once）

核心创新：

• 将检测视为回归问题
• 单次前向传播完成分类+定位
• 网格预测机制（7x7 网格）

性能：

• 速度：45 FPS（Fast YOLO: 155 FPS）
• mAP：63.4（VOC 2007）
• 局限性：小物体、密集物体检测差

意义：开创了实时目标检测的新范式

2016：YOLOv2/YOLO9000 - 更快更强

改进：

• Batch Normalization
• 高分辨率分类器
• Anchor Boxes
• 多尺度训练
• Darknet-19 骨干网络

突破：

• 可检测 9000 个类别
• WordTree 层次分类
• 速度：40 FPS，mAP：78.6

2017：SSD 与 RetinaNet

SSD（Single Shot MultiBox Detector）

• 多尺度特征图预测
• 速度：46 FPS，mAP：74.3

RetinaNet（2017）

• Focal Loss 解决类别不平衡
• 首次超越两阶段检测器精度

2018：YOLOv3 - 小物体检测的突破

核心改进：

• Darknet-53 骨干（ResNet 风格）
• 多尺度预测（3 个尺度）
• 独立 Logistic 分类器（支持多标签）
• 更好的小物体检测

性能：

• mAP-50：57.9（COCO）
• 速度：30 FPS

2020：YOLOv4 与 YOLOv5

YOLOv4（Alexey Bochkovskiy）

• CSPDarknet53 骨干
• SPP、PANet、Mish 激活
• 大量训练技巧（Bag of Freebies）
• mAP：65.7（COCO），速度：65 FPS

YOLOv5（Ultralytics）

• PyTorch 实现
• 轻量级设计
• 工程优化极佳
• 社区最受欢迎版本

2021-2022：YOLO 的百家争鸣

YOLOX（2021）

• Anchor-free 设计
• 解耦头（Decoupled Head）
• SimOTA 标签分配

YOLOv6（2022，美团）

• 硬件友好设计
• RepVGG 骨干
• 量化支持

YOLOv7（2022）

• E-ELAN 架构
• 模型缩放优化
• 训练技巧集大成

2023：YOLOv8 与 RT-DETR

YOLOv8（Ultralytics）

• Anchor-free
• 实例分割支持
• 姿态估计支持
• 分类头改进

RT-DETR（百度）

• 实时 DETR
• 端到端检测
• 无 NMS

2024：YOLO 的新纪元

YOLOv9（2024）

• 可编程梯度信息（PGI）
• 通用高效层聚合网络（GELAN）
• 解决信息瓶颈问题

YOLOv10（2024，清华）

• 无 NMS 训练
• 一致双重分配
• 效率驱动设计

YOLO11（2024）

• CNN + Transformer 混合
• 注意力机制
• 多尺度特征融合

第二章：分割模型的崛起（2014-2023）

2014：FCN - 全卷积网络

突破：

• 首个端到端分割网络
• 任意尺寸输入输出
• 上采样恢复分辨率

2015：U-Net - 医学图像分割的标准

架构：

• 编码器-解码器结构
• 跳跃连接
• 数据高效（少量样本）

影响：

• 医学图像分割事实标准
• 被引用超过 5 万次

2017：Mask R-CNN - 实例分割

创新：

• 在 Faster R-CNN 上加 Mask 分支
• ROI Align 解决对齐问题
• 同时检测+分割

2020：DETR - Transformer 进入检测

突破：

• 首个端到端 Transformer 检测
• 无需 Anchor、NMS
• 集合预测损失

局限：

• 训练慢、小物体差

2021：Segment Anything（SAM）- 分割的 GPT 时刻

发布：Meta AI，2023 年 4 月

核心创新：

1. 提示分割（Promptable Segmentation）

   • 点、框、掩码、文本作为提示
   • 零样本迁移能力

2. 模型架构

   • Image Encoder（ViT）
   • Prompt Encoder
   • Lightweight Mask Decoder

3. 数据引擎

   • 模型辅助标注
   • 半自动标注
   • 全自动标注

4. SA-1B 数据集

   • 1100 万张图像
   • 11 亿个掩码
   • 最大分割数据集

性能：

• 50ms 生成掩码（实时）
• 零样本超越有监督模型
• 可处理模糊提示（多掩码输出）

意义：

• 首个视觉基础模型
• 开启提示工程在视觉的应用
• 降低分割标注成本 90%+

2024：SAM 2 - 视频分割的突破

新能力：

• 视频对象分割
• 时序一致性
• SA-V 视频数据集

第三章：其他重要里程碑

2014：VGGNet - 深度即正义

• 16-19 层深度
• 3x3 卷积标准化
• 影响后续所有网络设计

2015：ResNet - 残差学习的革命

• 残差连接解决梯度消失
• 可训练 152+ 层
• 至今仍是骨干网络首选

2016：DenseNet

• 密集连接
• 特征重用
• 参数高效

2017：SENet - 通道注意力

• Squeeze-and-Excitation 模块
• 通道关系建模
• 即插即用

2018：CBAM、ECA - 注意力机制爆发

• 通道+空间注意力
• 轻量高效
• 广泛集成

2019：EfficientNet - 复合缩放

• 深度、宽度、分辨率联合缩放
• 效率最优
• MobileNet 继任者

2020：Vision Transformer（ViT）

突破：

• 纯 Transformer 视觉模型
• 图像分块作为序列
• 大数据预训练

影响：

• 开启视觉 Transformer 时代
• 后续 Swin、PVT、DeiT 等

2021：Swin Transformer

• 层次化 ViT
• 移位窗口注意力
• 多尺度特征

2022：ConvNeXt - CNN 的反击

• 将 Transformer 设计迁移到 CNN
• 纯 CNN 匹敌 ViT
• 工程优化典范

2023-2024：多模态大模型

CLIP（2021）

• 图文对比学习
• 零样本分类

GPT-4V、Gemini

• 视觉理解能力
• 端到端多模态

LLaVA、MiniGPT-4

• 开源多模态对话
• 视觉指令微调

第四章：技术趋势总结

架构演进

2012-2014：CNN 探索期（AlexNet → VGG）
2015-2016：深度革命（ResNet → DenseNet）
2017-2019：注意力兴起（SENet → CBAM）
2020-2021：Transformer 入侵（ViT → Swin）
2022-2024：效率与多模态（EfficientNet → SAM → GPT-4V）

检测范式演进

R-CNN（两阶段）→ YOLO（单阶段）→ DETR（端到端）→ RT-DETR（实时端到端）

分割范式演进

FCN → U-Net → Mask R-CNN → SAM（提示分割）

第五章：未来展望

趋势 1：基础模型化

• SAM 开启视觉基础模型时代
• 预训练+提示工程成为主流
• 零样本/少样本能力成为标配

趋势 2：多模态融合

• 视觉-语言模型爆发
• 端到端统一架构
• 世界模型雏形

趋势 3：效率与边缘

• 模型压缩与量化
• 神经架构搜索（NAS）
• 边缘设备部署

趋势 4：3D 与视频

• NeRF 神经辐射场
• 视频理解模型
• 时空联合建模

结语

从 2012 年的 AlexNet 到 2024 年的 SAM 2，计算机视觉走过了辉煌的十二年。YOLO 让实时检测成为可能，SAM 让分割变得触手可及。未来，随着多模态大模型的发展，视觉 AI 将更加智能、通用、易用。

关键里程碑时间线：

• 2012：AlexNet
• 2014：R-CNN、VGG
• 2015：ResNet、YOLOv1
• 2016：YOLOv2、SSD
• 2017：Mask R-CNN、RetinaNet
• 2018：YOLOv3
• 2020：YOLOv4/v5、DETR、ViT
• 2021：YOLOX、Swin
• 2022：YOLOv6/v7
• 2023：YOLOv8、SAM、RT-DETR
• 2024：YOLOv9/v10/v11、SAM 2

参考资源：

• YOLO 论文：https://arxiv.org/abs/1506.02640
• SAM 论文：https://arxiv.org/abs/2304.02643
• Papers With Code：https://paperswithcode.com/

#计算机视觉 #YOLO #SAM #深度学习 #目标检测 #图像分割