本文针对计算机视觉中的七类典型任务，按照不同模型类别（小容量模型、经典算法、YOLO 系列、前沿算法、精准-低延迟-硬件友好型）进行推荐，并提供对比表格和模型简介。

1. 文档 OCR

类别	模型	参数量	推理速度	主要特点	内存	GPU
小容量	MobileOCR	~1.5M	快	轻量端到端文本检测与识别	8GB	可选（集成 GPU 服务器）
经典	Tesseract	N/A	中	开源、多语言支持	16GB	无
YOLO	YOLOv8-Text	~30M	快	基于 YOLOv8 的端到端文本检测	16GB	≥12GB VRAM
前沿	SwinTextSpotter	~60M	中	Swin Transformer 联合检测与识别	32GB	≥24GB VRAM
高精低延迟	PP-OCRv3	~34M	中快	工业级流水线优化	16GB	≥16GB VRAM

模型简介

• MobileOCR: 极小模型，集成轻量级卷积 + CRNN，适合资源受限设备。
• Tesseract: Google 开源 OCR 引擎，需配合图像预处理和版面分析。
• YOLOv8-Text: Ultralytics 推出，利用 YOLOv8 框架进行文本检测。
• SwinTextSpotter: 使用 Swin Transformer backbone，性能优于大部分传统方法。
• PP-OCRv3: 百度飞桨生态，端到端流水线高效，兼顾精度与速度。

2. 人脸识别

类别	模型	参数量	精度 (LFW)	主要特点	内存	GPU
小容量	MobileFaceNet	~0.5M	99.63%	移动端轻量化实时验证	8GB	可选
经典	FaceNet	~7.5M	99.63%	Inception + 三元组损失	32GB	≥8GB VRAM
YOLO	YOLOFace	~30M	检测95%	YOLO 检测 + 特征提取	32GB	≥12GB VRAM
前沿	CurricularFace	~11M	99.83%	动态难度调整优化损失	64GB	≥24GB VRAM
高精低延迟	InsightFace (ArcFace)	~20M	99.83%	角度 Softmax 损失，高效部署	32GB	≥16GB VRAM

模型简介

• MobileFaceNet: 针对移动端轻量化设计。
• FaceNet: Google 提出，使用 Inception 网络与三元组损失。
• YOLOFace: 在 YOLO 检测基础上集成人脸识别。
• CurricularFace: 改进 CosFace/ArcFace，动态调整样本难度。
• InsightFace (ArcFace): 开源人脸识别库，角度距离损失效果卓越。

3. 目标检测

类别	模型	参数量	mAP	推理速度	主要特点	内存	GPU
小容量	NanoDet	~1.5M	25.4	快	Anchor-free 轻量化	8GB	可选
经典	Faster R-CNN	~41M	42.1	慢	二阶段检测器	64GB	≥16GB VRAM
YOLO	YOLOv8	~30M	≥50	快	通用性强，社区支持	32GB	≥12GB VRAM
前沿	Swin Transformer DETR	~90M	52.3	中	Transformer 检测架构	64GB	≥24GB VRAM
高精低延迟	Scaled-YOLOv4	~65M	55.5	中快	CSPDarknet + 算子优化	32GB	≥16GB VRAM

模型简介

• NanoDet: 极轻量适合移动端应用。
• Faster R-CNN: 经典二阶段管道，多任务学习框架。
• YOLOv8: 最新 YOLO 版本，通用性和性能兼备。
• Swin Transformer DETR: 结合 transformer 的 DETR 架构。
• Scaled-YOLOv4: 在 YOLOv4 基础上扩展模型尺度，兼顾速度与精度。

4. 小目标检测

类别	模型	参数量	mAP_small	推理速度	主要特点	内存	GPU
小容量	TFLite-SSD-MobileNetV2	~6M	12.8	快	TensorFlow Lite 量化	8GB	可选
经典	FPN + Faster R-CNN	~50M	15.4	慢	特征金字塔增强	64GB	≥16GB VRAM
YOLO	YOLOv5s	~7.3M	14.6	快	YOLOv5 轻量版	32GB	≥8GB VRAM
前沿	DetectoRS	~58M	16.2	中	递归特征金字塔	64GB	≥16GB VRAM
高精低延迟	PP-YOLOE	~47M	18.3	中快	飞桨高效 YOLO 变体	32GB	≥12GB VRAM

模型简介

• TFLite-SSD-MobileNetV2: 量化后速度更快，适合嵌入式。
• FPN + Faster R-CNN: FPN 强化多尺度特征。
• YOLOv5s: 轻量版，速度佳。
• DetectoRS: 递归特征金字塔，增强小目标检测。
• PP-YOLOE: 百度飞桨推出的高效 YOLO 变体。

5. 关键点检测

类别	模型	参数量	AP (COCO)	推理速度	主要特点	内存	GPU
小容量	Lite-HRNet	~4M	70.1	快	轻量化高分辨率网络	8GB	≥4GB VRAM
经典	OpenPose	~135M	65.4	慢	多分支骨架检测	64GB	≥16GB VRAM
YOLO	YOLO-Pose	~30M	72.3	中	YOLO 热图预测关键点	32GB	≥12GB VRAM
前沿	HigherHRNet	~30M	75.5	中	高分辨率表示	64GB	≥16GB VRAM
高精低延迟	MoveNet Thunder	~6M	72.7	快	TFLite 实时优化	8GB	可选

模型简介

• Lite-HRNet: HRNet 轻量变体，平衡速度与精度。
• OpenPose: 最早多人关键点检测框架。
• YOLO-Pose: 将 YOLO 框架扩展到关键点热图预测。
• HigherHRNet: HRNet 高分辨率特征。
• MoveNet Thunder: 针对实时时序优化。

6. 语义分割

类别	模型	参数量	mIoU (%)	推理速度	主要特点	内存	GPU
小容量	BiSeNetV2	~13M	72.6	快	双分支速度优先	16GB	≥4GB VRAM
经典	FCN-8s	~134M	62.2	慢	全卷积开创性网络	64GB	≥16GB VRAM
YOLO	YOLOv8-Seg	~30M	≥70	中	分割头扩展	32GB	≥12GB VRAM
前沿	SegFormer	~48M	80.2	中	Transformer 分割架构	64GB	≥24GB VRAM
高精低延迟	Fast-SCNN	~1.1M	68.0	非常快	高效卷积+金字塔	16GB	≥4GB VRAM

模型简介

• BiSeNetV2: 同时优化速度与精度。
• FCN-8s: 语义分割里程碑式模型。
• YOLOv8-Seg: 对 YOLOv8 增加分割能力。
• SegFormer: 强化 transformer，在多个分割基准上领先。
• Fast-SCNN: 专为移动端设计。

7. 手势识别

类别	模型	参数量	Top-1 精度	推理速度	主要特点	内存	GPU
小容量	MediaPipe Hands	~2.5M	98.5%	快	实时掌部姿态估计	8GB	可选
经典	C3D+LSTM	~80M	85.2%	慢	3D 卷积 + LSTM 时序分类	64GB	≥16GB VRAM
YOLO	YOLOv8-Hands	~30M	96.8%	中	YOLO 扩展手势检测与分类	32GB	≥12GB VRAM
前沿	ST-GCN	~12M	98.1%	中	骨架时空图卷积	32GB	≥12GB VRAM
高精低延迟	TSP	~5M	97.4%	快	时序点处理实时优化	16GB	≥8GB VRAM

模型简介

• MediaPipe Hands: Google 跨平台手部检测与关键点识别。
• C3D+LSTM: 视频手势经典管道。
• YOLOv8-Hands: 将 YOLOv8 迁移到手势识别。
• ST-GCN: 基于骨架图的时空图卷积。
• TSP: 时序点网络，速度与精度兼顾。