. FCOS于yolov3

### FCOS 和 YOLOv3 对象检测算法的差异

#### 特征对比

FCOS (Fully Convolutional One-Stage Object Detection) 是一种无锚点的对象检测方法，而 YOLOv3 则基于锚点机制来预测对象边界框。这种设计上的不同使得两者在特征提取和目标定位方面存在显著差异[^3]。

对于 FCOS 而言，在网络结构上采用全卷积层实现端到端训练，并通过中心度得分改进了正负样本分配策略，从而提高了小物体检测精度；相比之下，YOLOv3 使用预定义的不同尺度先验框（即 anchors），这些先验框用于匹配真实标签并指导模型学习如何调整它们以更好地拟合实际物体形状大小[^2]。

#### 性能表现

就性能而言，两种架构各有优劣：

- **速度**: YOLOv3 的推理速度快于 FCOS 。这是因为 YOLOv3 设计之初便考虑到了实时性需求，采用了更轻量化的 Darknet 主干网以及多尺度融合技术提升效率；

- **准确性**: 尽管如此, 在 COCO 数据集测试中发现 FCOS 取得了更好的 AP (Average Precision)，特别是在处理较小尺寸的目标时表现出色。这主要得益于其独特的损失函数设计及去除了 anchor带来的偏差影响。

import torch
from torchvision.models.detection import fasterrcnn_resnet50_fpn, fcos_resnet50_fpn, yolov3_darknet53

# 加载预训练权重
model_fcos = fcos_resnet50_fpn(pretrained=True)
model_yolov3 = yolov3_darknet53(pretrained=True)

device = "cuda" if torch.cuda.is_available() else "cpu"
model_fcos.to(device)
model_yolov3.to(device)

def evaluate(model, dataset):
    model.eval()
    with torch.no_grad():
        for images, targets in dataset:
            predictions = model(images.to(device))
            # 进一步评估指标计算...