标准回答
一、两阶段（Two-stage，R-CNN 家族）
流程分两步：先由 RPN 等生成一批候选区域，再对每个候选框做分类和边框回归。代表：R-CNN → Fast R-CNN → Faster R-CNN。
- 优点：定位/分类精度高，对小目标和复杂场景更稳。
- 缺点：流程多、计算量大、速度较慢。
二、单阶段（One-stage，YOLO/SSD）
把检测当作一次回归：单次前向就在特征图网格/anchor 上同时预测类别与边框。
- 优点：快，端到端简单，适合实时（视频、边缘）。
- 缺点：早期版本对小目标、密集目标精度略逊；新版 YOLO 已大幅缩小与两阶段的精度差距。
三、共性组件
- NMS（非极大值抑制）：去除同一目标的重叠冗余框。
- IoU（交并比）：衡量预测框与真值框重叠度，是匹配与评估的基础。
- mAP：按不同 IoU 阈值综合各类别 AP，是主流评测指标。
面试里可以补一个视觉任务例子：目标检测中两阶段R-CNN与单阶段YOLO有何区别 在分类、检测、分割或多模态理解里分别会影响数据增强、模型结构、指标选择和误检漏检分析。这样回答会比单独讲概念更像真实项目经验。
四、选型
要极致精度、可接受延迟 → 两阶段；要实时/低延迟 → 单阶段。详见 目标检测：从 R-CNN 到 YOLO。
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方："单阶段一定不如两阶段精度"已过时——现代 YOLO 在多数场景精度与速度兼优；NMS 是后处理而非网络的一部分，端到端检测器（如 DETR）已尝试去除它。
追问
追问 1：NMS 是做什么的？有什么改进版本？
NMS 对同一类别的检测框按置信度排序，逐个保留最高分框并抑制与之 IoU 超阈值的其他框，消除重复检测。改进有 Soft-NMS（降权而非直接删）、DIoU-NMS（考虑中心距离）等，缓解密集目标被误抑制。
追问 2：mAP 是怎么计算的？
先按某 IoU 阈值判定每个预测为 TP/FP，对每个类别计算 PR 曲线下面积得到 AP，再对所有类别取平均得 mAP。COCO 指标对 IoU 从 0.5 到 0.95 多个阈值再求平均（mAP@[.5:.95]），更严格。
🔗 相似问题
同一考点的不同问法，换着练更稳
延伸学习
按主题分类的相关资源，便于系统复习