A Comparative Study of Faster R-CNN, Mask R-CNN, and YOLOv8 for Object Detection and Instance Segmentation, with a Custom-Class Transfer-Learning Case Study
Cet article propose une analyse comparative théorique et qualitative de Faster R-CNN, Mask R-CNN et YOLOv8 pour la détection d'objets et la segmentation d'instances, démontrant, à travers une étude de cas personnalisée sur des véhicules militaires, que les détecteurs à étape unique légers peuvent s'adapter efficacement à de nouvelles classes via l'apprentissage par transfert tout en surpassant les modèles à deux étapes entraînés uniquement sur des jeux de données généraux, le tout dans le contexte des architectures de détection en temps réel en pleine évolution.