目前主流的目標檢測演算法主要是基於深度學習模型，其可以分成兩大類：（1）two-stage檢測演算法，其將檢測問題劃分為兩個階段，首先產生候選區域（region proposals），然後對候選區域分類（一般還需要對位置精修），這類演算法的典型代表是基於region proposal的R-CNN系演算法，如R-CNN，Fast R-CNN，Faster R-CNN等；（2）one-stage檢測演算法，其不需要region proposal階段，直接產生物體的類別機率和位置座標值，比較典型的演算法如YOLO和SSD。目標檢測模型的主要效能指標是檢測準確度和速度，對於準確度，目標檢測要考慮物體的定位準確性，而不單單是分類準確度。一般情況下，two-stage演算法在準確度上有優勢，而one-stage演算法在速度上有優勢。不過，隨著研究的發展，兩類演算法都在兩個方面做改進。Google在2017年開源了TensorFlow Object Detection API，並對主流的Faster R-CNN，R-FCN及SSD三個演算法在MS COCO資料集上的效能做了細緻對比。Facebook的FAIR也開源了基於Caffe2的目標檢測平臺Detectron，其實現了最新的Mask R-CNN，RetinaNet等檢測演算法。

深度學習時代，目標檢測領域湧現了大量的演算法，發展歷程如下：

RCNN Family：RCNN是目標檢測領域的一項傑出成果，它證明了使用深度神經網路的有效性，現在發展了一個龐大Family。例如：Faster RCNN、Mask RCNN等SSD & YOLO Family：與兩階段方法（如RCNN Family）相比，這些模型跳過了region proposal（區域建議）階段，直接從特徵對映中提取檢測結果。因此，單級模型速度更快，適合算力有限的device。Anchor Free：2019年，Anchor Free的方法大爆發，並且取得了不錯的成果。Anchor Free，其實可以看做是Single Anchor，每個object只有一個 anchor，對這個anchor進行類別分類、box和offset迴歸。不過有些anchor free的方法沒有做offset，從這點來看，這些演算法關注的是本身，而不是single anchor。Anyway，AnchorFree還是避免了anchor method中繁瑣的anchor decoded操作。DeTr：NLP領域工作者都知道，2018年transformer帶來了多大的影響。transformer取得了不錯的效果，基本上取代之前的model。CV看起來不像是transformer的領域，但仍然取得了不錯的成績，並解決了目前目標檢測無法解決的問題。所以，重要性不言而喻。用一個詞來形容DeTr：Elegant。因為再也無需設計anchor，新增NMS後處理等等。