1. 目标检测面试到底在考什么

做深度学习CV岗位面试，目标检测几乎是绕不过去的一道大关。不管投的是算法工程师、自动驾驶感知、安防算法、工业质检，还是AIGC里的检测相关岗位，面试官都很可能从目标检测开始追问。原因不复杂：目标检测同时覆盖了深度学习基础、网络结构设计、损失函数、数据工程、训练调参、后处理、部署优化这几条线，能够比较全面地判断一个候选人到底是只会调库，还是真的理解模型为什么这样设计。

目标检测这个方向，表面上看是输入一张图，输出一堆框和类别，但面试官不会只问“YOLO和Faster R-CNN有什么区别”这种百科题。他们真正想确认的是：你能不能把问题拆开，能不能解释清楚每个模块的取舍，能不能在指标不涨、误检漏检、部署延迟超标的时候给出可执行的排查路径。换句话说，目标检测面试考的是工程判断力，不是背版本号。下面我把常见问题按能力层次重新梳理，结合我自己面试和被面试时踩过的坑，整理成一套可以直接拿去查漏补缺的清单。

1.1 岗位画像与能力栈拆解

目标检测岗位通常不会孤立存在。校招里的CV算法岗，可能要求你同时懂分类、检测、分割，甚至多模态；社招里的检测岗，往往更看重落地经验，比如小目标漏检怎么解决，长尾类别怎么处理，模型在特定硬件上能不能跑到实时。面试官看简历时，会先找关键词：YOLO、Faster R-CNN、SSD、DETR、mmdetection、TensorRT、ONNX、量化、蒸馏、数据增强、mAP、NMS。找到之后，就会挑一个点往深了问。

我建议把能力栈分成四层。第一层是基础概念，包括IoU、NMS、mAP、Anchor、正负样本、一阶段二阶段这些；第二层是算法路线，比如YOLO系列、RetinaNet、FCOS、DETR各自解决什么问题；第三层是训练与调参，涉及损失函数、数据增强、标签分配、学习率策略、预训练权重；第四层是工程落地，包括模型压缩、推理加速、部署格式转换、线上指标监控。面试时间有限，面试官通常不会四层全问，但只要你有一层明显虚，就容易被抓住。

有个很真实的经验：很多候选人对YOLOv5的配置文件很熟，能说出backbone、neck、head分别是什么，但一问“为什么YOLO要使用解耦头”“为什么正样本分配从IoU阈值变成动态分配”“Focal Loss为什么能缓解正负样本不平衡”，就开始含糊。面试官不是要你推导公式，而是要看你能不能把设计动机讲清楚。目标检测的每个模块几乎都有明确的痛点，回答时把痛点先说出来，再讲方案，效果会好很多。

1.2 面试官的三层追问逻辑

第一层追问通常是概念确认。比如“IoU怎么算？”“NMS的流程是什么？”“mAP@0.5和mAP@0.5:0.95有什么区别？”这类问题答错会很减分，因为它们属于目标检测的常识。第二层追问是设计选择。比如“为什么RetinaNet用Focal Loss？”“为什么DETR不需要NMS？”“为什么FCOS用中心度分支？”这时候只背结论不够，要讲清楚它替代了什么旧方案，旧方案有什么问题。第三层追问是场景落地。比如“小目标检测效果差怎么办？”“如果部署端只支持INT8，你怎么做？”“如果模型在测试集上mAP很高，但线上误检严重，你怎么排查？”这一层最能拉开差距。

我见过一些候选人，前两轮答得不错，但到了落地问题就开始说“可以加数据”“可以换更大的模型”。这种回答不算错，但太泛。面试官想听的是具体动作：加哪一类数据，怎么加，加多少，怎么验证；换模型带来的延迟增量是多少，精度收益是否值得；误检是类别混淆还是背景误判，怎么通过混淆矩阵和PR曲线定位。目标检测面试里，越具体的回答越有说服力。

1.3 常见开场题与答题节奏

常见开场题包括：“选一个你熟悉的检测模型讲一下”“目标检测中的正负样本怎么定义”“Anchor-based和Anchor-free的区别”“YOLO和Faster R-CNN的差异”“如何提升小目标检测”。回答时不要一上来就堆细节，先给结论，再给结构。比如讲YOLO和Faster R-CNN，可以先说：Faster R-CNN是两阶段，先出候选框再分类回归，精度高但速度慢；YOLO是一阶段，把检测当成回归问题，速度快，早期小目标弱，后续版本通过多尺度、FPN、PANet、解耦头、动态标签分配逐步补短板。

节奏上，我习惯用“结论、原因、代价、场景”四步。结论是直接回答；原因是设计动机；代价是这个方案牺牲了什么；场景是什么时候选它。比如讲Focal Loss：结论是它通过降低易分样本的权重，让模型关注难例；原因是单阶段检测器正负样本极度不平衡；代价是超参需要调，训练初期稳定性要关注；场景是密集检测、背景复杂的任务。这样回答，面试官会觉得你不仅知道是什么，还知道什么时候用、怎么用。

2. 基础概念必须张口就来

目标检测的基础概念是面试的地基。地基不稳，后面讲得再花哨也容易塌。我整理了一组必须做到“张口就来”的知识点，包括IoU、NMS、mAP、Anchor、正负样本、一阶段二阶段、Backbone/Neck/Head。这些概念不要求你背论文原文，但要求你能用自己的话讲清楚，并且知道它们在代码里对应什么操作。很多人面试挂掉，不是因为不会DETR，而是因为mAP的计算过程说不明白。

准备这部分时，我建议不要只看文字定义，最好手写一遍NMS，手算一遍AP。手写NMS能帮你理解置信度排序、IoU抑制、阈值选择；手算AP能帮你理解TP、FP、FN、Precision、Recall、PR曲线。面试官如果让你现场写NMS，你至少要做到代码结构清晰，边界条件处理好，不能只写个伪代码就说“大概是这样”。下面把高频概念拆开讲。

2.1 IoU、NMS、Soft-NMS与mAP的连环问

IoU是交并比，预测框和真实框的交集面积除以并集面积，取值0到1。它用来判断预测框是否命中，也用来做NMS抑制和标签分配。面试里常追问：如果两个框没有交集，IoU是多少？答案是0；如果完全重合，是1。实际代码里要加一个极小的epsilon防止除零。IoU的变体也常问，比如GIoU、DIoU、CIoU。GIoU引入了最小闭包区域，解决无交集时梯度消失；DIoU加入了中心点距离；CIoU进一步考虑长宽比。回答时不用背公式，但要说清楚它们各自补了什么短板。

NMS是非极大值抑制。流程是：按置信度从高到低排序，取最高分框，计算它和剩余框的IoU，把IoU大于阈值的框删掉，重复直到没有框。NMS的问题在于，当两个同类物体靠得很近时，高分框可能把另一个正确框抑制掉。Soft-NMS不直接删除，而是根据IoU降低置信度，IoU越大降得越多。还有DIoU-NMS，用中心点距离和IoU共同判断，适合遮挡场景。手写NMS时要注意：输入是框列表和分数，输出是保留索引；排序后要动态遍历，不能一边遍历一边删原列表导致索引错乱。

mAP是平均精度均值。先按类别算AP，再对所有类别取平均。AP的计算依赖PR曲线下的面积，不同数据集有不同插值方式，比如VOC用11点插值，COCO用更密集的插值。mAP@0.5表示IoU阈值为0.5时的mAP；mAP@0.5:0.95表示IoU从0.5到0.95每隔0.05取一次，再平均，更严格。面试官常问：为什么mAP@0.5高但mAP@0.5:0.95低？通常说明框的位置不够准，分类没问题，但回归精度差。这时候要检查回归损失、Anchor设计、特征分辨率、标注质量。

代码层面，NMS可以这样写：

import numpy as np def nms(boxes, scores, iou_thresh): # boxes: [N, 4], format x1, y1, x2, y2 x1, y1, x2, y2 = boxes[:, 0], boxes[:, 1], boxes[:, 2], boxes[:, 3] areas = (x2 - x1 + 1) * (y2 - y1 + 1) order = scores.argsort()[::-1] keep = [] while order.size > 0: i = order[0] keep.append(i) xx1 = np.maximum(x1[i], x1[order[1:]]) yy1 = np.maximum(y1[i], y1[order[1:]]) xx2 = np.minimum(x2[i], x2[order[1:]]) yy2 = np.minimum(y2[i], y2[order[1:]]) w = np.maximum(0.0, xx2 - xx1 + 1) h = np.maximum(0.0, yy2 - yy1 + 1) inter = w * h iou = inter / (areas[i] + areas[order[1:]] - inter + 1e-6) inds = np.where(iou <= iou_thresh)[0] order = order[inds + 1] return keep

注意：面试手写NMS时，加1还是不加1要看坐标定义。如果是连续坐标，通常不需要加1；如果是像素坐标，加1更符合面积计算。关键是解释清楚你的假设。

2.2 Anchor、正负样本与标签分配的深水区

Anchor是预设的参考框，不同尺度、不同长宽比。Anchor-based方法把Anchor和真实框做IoU匹配，高于正阈值的是正样本，低于负阈值的是负样本，中间忽略。Anchor的设计直接影响召回率和正负样本比例。Anchor太多会带来计算量，太少会漏掉特殊形状目标。面试官常问：“Anchor怎么设？”“如果数据集里都是细长目标，Anchor长宽比怎么调？”我的经验是，先用K-means对训练集真实框做聚类，看宽高分布，再选长宽比和尺度。不要直接抄COCO的配置，因为工业质检、遥感、医疗影像的框分布差异很大。

正负样本定义是检测训练的核心。正样本太少，模型学不到目标；负样本太多，背景压制前景。早期方法用IoU阈值，比如大于0.7为正，小于0.3为负。后来出现ATSS、SimOTA、OTA等动态分配。ATSS根据统计特性自适应选择正样本；SimOTA把标签分配看成一个优化问题，考虑分类和回归代价；OTA用最优传输做全局分配。面试里不要求你推导，但要能说清楚：动态分配解决的是固定阈值对不同目标不鲁棒的问题，让模型根据当前预测质量选择更合适的正样本。

标签分配还有一个常见追问：为什么FCOS用中心采样？因为Anchor-free方法如果直接把特征点都当正样本，远离目标中心的点会引入低质量框。中心采样让靠近目标中心的点参与回归，提高正样本质量。CenterNet用热力图找中心点，再回归宽高。这些设计背后都是同一个目标：让正样本更干净，减少回归歧义。回答时可以总结成一句话：检测训练的本质，是在做正负样本的划分和加权，划分得好，模型就学得稳。

2.3 一阶段、二阶段与Backbone/Neck/Head的分工

一阶段检测器直接在特征图上预测类别和框，代表是YOLO、SSD、RetinaNet。二阶段检测器先通过RPN生成候选区域，再对候选区域分类和回归，代表是Faster R-CNN、Mask R-CNN。一阶段速度快，适合实时；二阶段精度高，适合对召回和定位要求高的场景。但这不是绝对的，YOLO后续版本精度已经很高，Faster R-CNN也可以加速。面试官如果问“为什么二阶段精度高”，可以从候选区域过滤和ROI Align带来的特征对齐角度回答。

Backbone负责特征提取，常见有ResNet、Darknet、EfficientNet、Swin Transformer。Neck负责多尺度融合，FPN是经典结构，PANet在FPN基础上增加自底向上路径，BiFPN做加权融合。Head负责分类和回归，分为耦合头和解耦头。耦合头共享特征，参数少；解耦头分开学习分类和回归，通常精度更好，但计算量增加。YOLOX、YOLOv6、YOLOv8都使用了解耦头。面试官问“为什么解耦头有效”，可以解释：分类关注语义，回归关注位置，两者需要的特征分布不完全一致，解耦后减少任务冲突。

3. 主流算法路线与选型对比

目标检测算法路线很多，面试时不需要每个都精通，但要有一条主线。我的建议是：以YOLO系列为主线，以Faster R-CNN和RetinaNet为对照，以FCOS、DETR为进阶，以DETR变体和开放词汇检测为亮点。这样既能覆盖工业界常用模型，又能体现你对新方向的关注。面试官如果问“你平时用什么模型”，不要只回答“YOLOv5”，要说出选择理由：数据规模、类别数、部署硬件、延迟要求、团队技术栈。

算法选型没有绝对优劣，只有场景匹配。安防摄像头可能更看重召回率，自动驾驶更看重低延迟和长尾安全，工业质检可能样本少且缺陷细微，遥感图像目标小且方向任意。面试时把场景先讲清楚，再讲模型选择，会显得更有工程思维。下面按路线拆解常见问题和答法。

3.1 Faster R-CNN、SSD与RetinaNet的经典三件套

Faster R-CNN是两阶段代表。核心是RPN，它在特征图上生成候选框，判断前景背景，并做第一次回归。然后ROI Pooling或ROI Align把不同大小的候选区域变成固定大小特征，再送入分类和回归头。ROI Align解决了ROI Pooling两次量化带来的对齐误差，对小目标尤其重要。面试常问：“RPN的损失怎么算？”“正负样本怎么采样？”RPN通常按IoU选正样本和负样本，并限制正负样本比例。Faster R-CNN精度稳定，但速度慢，适合离线或对实时性要求不高的场景。

SSD是一阶段多尺度检测器，在不同尺度的特征图上预测不同大小的目标。浅层特征图负责小目标，深层负责大目标。SSD使用默认框，类似Anchor，但不同特征层的默认框尺度不同。SSD的短板是小目标召回一般，因为浅层特征语义弱。后来DSSD、FSSD通过反卷积和特征融合改进。面试问SSD，通常是想确认你理解多尺度预测。回答时可以说：SSD把检测分散到多个尺度，省去了候选区域生成，速度有优势，但正负样本极不平衡，训练需要难例挖掘。

RetinaNet是Focal Loss的代表作。它本身结构不复杂，FPN加两个子网络，一个分类一个回归。真正关键的是Focal Loss。单阶段检测器在训练时会产生大量负样本，普通交叉熵会被易分负样本主导。Focal Loss加入调制因子，降低易分样本的损失权重，让模型关注难例。面试官常问：“Focal Loss和OHEM有什么区别？”OHEM是硬采样，只选损失大的样本；Focal Loss是软加权，所有样本都参与，但难例权重大。Focal Loss训练更稳定，超参更少。

3.2 YOLO系列演进与工程取舍

YOLO的核心思想是把检测当成回归问题，一次前向输出所有框和类别。YOLOv1速度很快，但小目标和密集目标效果一般。YOLOv2引入Anchor和BN，YOLOv3引入多尺度预测和Darknet-53，YOLOv4整合了大量训练技巧，YOLOv5工程化做得好，YOLOX引入Anchor-free和解耦头，YOLOv6、YOLOv7、YOLOv8继续在结构和训练策略上优化。面试时不要只背版本号，要讲每个版本解决了什么痛点。

YOLOv5在工业界流行，不是因为它理论最新，而是因为代码清晰、部署方便、社区活跃。面试官可能问：“YOLOv5为什么用Mosaic增强？”Mosaic把四张图拼成一张，增加背景多样性和小目标数量，同时减少batch size需求。但Mosaic也有副作用，如果数据本身分布单一，可能引入不自然的拼接边界，影响真实场景。我的经验是，前期开Mosaic，后期关闭或降低概率，让模型适应真实分布。

YOLO系列的工程取舍很典型：Backbone用CSP结构减少计算量，Neck用PANet融合多尺度，Head用解耦头提升精度，标签分配用SimOTA或TaskAlignedAssigner。部署时导出ONNX，再用TensorRT或OpenVINO加速。面试官如果问“YOLOv5和YOLOv8怎么选”，可以说：如果团队已有YOLOv5部署链路，继续用更稳；如果新项目且需要更好精度和更现代的标签分配，可以试YOLOv8。关键是看数据、硬件和维护成本。

3.3 Anchor-free、Transformer检测器与DETR

Anchor-free方法去掉了预设Anchor，直接预测目标中心或关键点。FCOS预测每个特征点到四条边的距离，并引入中心度分支抑制低质量框。CenterNet预测目标中心热力图和宽高。Anchor-free的优点是超参少、结构简洁，缺点是正样本定义和回归范围需要仔细设计。面试问“Anchor-free为什么流行”，可以从减少Anchor调参、简化部署、适应任意形状目标角度回答。

DETR用Transformer做端到端检测，把检测看成集合预测。它用CNN提取特征，再用Transformer编码器解码器，最后通过二分匹配把预测框和真实框一一对应，因此不需要NMS。DETR的优点是流程简洁，缺点是训练收敛慢、小目标效果一般。Deformable DETR引入可变形注意力，加快收敛并提升小目标性能。DINO、DAB-DETR等进一步改进。面试官问“DETR为什么不需要NMS”，核心是二分匹配保证预测和真实框一对一，重复框会在匹配中被抑制。但实际部署中，DETR仍可能输出重复，后处理不能完全省略。

Transformer检测器的追问还包括：“Transformer做检测的瓶颈是什么？”计算量大、显存占用高、训练数据需求大、收敛慢。工业界落地时，往往还是CNN或CNN+轻量注意力的混合结构。回答时不要盲目吹Transformer，要结合场景。比如自动驾驶感知可能用DETR变体做端到端，但实时性要求极高时，YOLO类模型更稳。

3.4 小目标、开放词汇、多模态与三维检测的追问

小目标检测是高频场景题。面试官问“小目标漏检怎么办”，可以从数据、模型、训练、后处理四方面回答。数据上增加小目标样本，使用过采样、CopyPaste；模型上提高输入分辨率，使用FPN、PANet、高分辨率特征层；训练上使用Anchor匹配小目标，调整正样本阈值，使用ATSS；后处理上使用切片推理，比如SAHI。切片推理把大图裁成小块，分别检测再合并，能显著提升小目标召回，但会增加计算量。

开放词汇目标检测是近年的热点。传统检测器只能检测训练集固定类别，开放词汇检测希望用文本描述检测新类别。常见思路是用CLIP等视觉语言模型提供类别文本嵌入，检测器输出区域特征，再和文本嵌入做匹配。面试官问“开放词汇检测的难点”，可以回答：区域特征和文本嵌入的对齐、未知类别的定位、背景干扰、推理成本。多模态检测则结合图像、文本、深度、雷达等模态，提升鲁棒性。三维目标检测常用于自动驾驶和机器人，输入点云或RGB-D，输出三维框，难点是稀疏性、遮挡、坐标系转换。

毫米波雷达目标检测也是热门方向，雷达点云稀疏但测速测距有优势，常和视觉融合。面试时如果简历有相关项目，要准备好解释传感器标定、时间同步、融合策略。联邦深度强化学习这类词如果出现在岗位描述里，通常说明岗位偏研究，但目标检测面试仍会回到基础。不要被热词带偏，先把检测主干问题答稳。

4. 训练、调参、损失与数据增强的实战问题

训练环节是面试官判断你有没有真正跑过模型的关键。很多人能讲结构，但一问“loss不降怎么办”“mAP波动怎么排查”“数据增强怎么配”就暴露了。目标检测训练比分类复杂，因为涉及多任务损失、正负样本、多尺度、后处理。你需要有一套自己的排查顺序，不能靠玄学调参。下面从损失函数、数据增强、训练排查三个角度展开。

4.1 损失函数与难例挖掘的组合拳

目标检测损失通常分分类损失和回归损失。分类损失早期用交叉熵，后来RetinaNet用Focal Loss。Focal Loss公式里有两个超参，alpha和gamma。gamma控制难易样本权重，alpha控制正负样本权重。面试官可能问：“gamma取2为什么有效？”实际经验是，gamma增大让难例权重更高，但太大导致训练不稳定。一般从1.5到2尝试，结合数据集调整。

回归损失从L1、L2、Smooth L1发展到IoU系列。IoU损失直接优化IoU，但无交集时梯度为零；GIoU引入闭包区域；DIoU加入中心距离；CIoU加入长宽比。YOLO系列常用CIoU或EIoU。面试问“为什么不用L2回归”，可以回答：L2对大框和小框的惩罚不一致，且和检测指标IoU不直接相关。IoU损失更贴近评价指标，但需要处理无交集情况。

难例挖掘方面，OHEM选择损失大的样本，Focal Loss做软加权，GHM从梯度分布角度平衡样本。面试官如果问“Focal Loss和OHEM能不能一起用”，一般不建议简单叠加，因为两者都在处理难例，容易导致训练不稳定。更实际的做法是选一种，然后调正负样本采样比例。我的经验是，小数据集用Focal Loss更省事，大数据集且训练稳定时，交叉熵加合理采样也能work。

4.2 数据增强、预训练与冻结策略

数据增强对检测很重要。常见增强包括随机翻转、随机缩放、裁剪、色彩抖动、HSV调整、Mosaic、MixUp、CutMix、CopyPaste。翻转要注意方向敏感目标，比如文字、交通标志。裁剪要注意保留足够上下文，否则小目标被裁掉。Mosaic增加小目标和背景多样性，但会引入拼接边界。CopyPaste适合小目标和长尾类别，把目标复制粘贴到不同背景，但要注意遮挡和光照一致性。

预训练权重能显著加快收敛。面试官常问：“加载预训练后要不要冻结Backbone？”这取决于数据量和域差异。数据量大且和预训练域接近，可以不冻结，甚至解冻全部；数据量小或域差异大，先冻结Backbone训练Head，再逐步解冻。冻结策略不是固定的，可以按epoch解冻。我的经验是，先用小学习率微调Backbone，再用正常学习率训练整体，避免预训练特征被破坏。

学习率策略方面，Warmup对检测训练很有用，尤其batch size较大时。Cosine退火、Step衰减、OneCycle都可以。面试官如果问“为什么检测训练需要Warmup”，可以回答：检测头是随机初始化的，初期梯度大，Warmup防止早期震荡破坏预训练特征。此外，多尺度训练、随机缩放也能提升泛化，但会增加训练时间。需要根据硬件和时间预算取舍。

4.3 指标波动与训练排查的实战顺序

如果mAP不涨，我会按这个顺序排查：数据标注、数据划分、Anchor匹配、正负样本比例、学习率、损失权重、后处理阈值、评估脚本。很多问题不是模型结构，而是标注漏框、类别错标、训练集和验证集分布不一致。先看损失曲线，分类损失不降通常是学习率或标签问题；回归损失不降通常是Anchor或回归目标问题；验证损失上升但训练损失下降，可能是过拟合。

如果loss出现NaN，先检查学习率是否过大，再检查数据里有没有非法框，比如宽高为0、坐标越界。混合精度训练时，检查梯度缩放。如果mAP突然掉点，检查数据增强是否过强、学习率是否重启、预训练权重是否加载正确。如果某些类别AP为0，检查该类样本数量、标注质量、是否被其他类混淆。面试官问“怎么定位误检和漏检”，可以回答：用混淆矩阵看类别混淆，用PR曲线看阈值影响，用可视化看具体样本。误检多则提高置信度阈值或增加背景负样本；漏检多则降低阈值或提升召回。

注意：不要只看mAP一个数字。mAP@0.5高但mAP@0.75低，说明定位不准；小目标AP低，说明特征分辨率或Anchor匹配有问题；长尾类别AP低，说明样本不足或损失权重需要调整。

5. 部署与工程落地面试题

目标检测最终要落地，面试官越来越重视部署能力。尤其是社招岗位，会问ONNX导出、TensorRT加速、量化、剪枝、蒸馏、推理延迟、显存占用。即使你偏算法，也要懂基本流程，否则模型无法上线。部署面试题通常围绕“精度、速度、内存”三角展开。面试官不会要求你现场写CUDA，但会问你如何把模型跑到目标硬件上，如何平衡精度和延迟。

5.1 模型压缩、量化与格式转换

模型压缩常用剪枝、蒸馏、量化。剪枝分结构化剪枝和非结构化剪枝，结构化剪枝更容易部署。蒸馏用大模型指导小模型，常见有特征蒸馏、逻辑蒸馏、注意力蒸馏。量化把FP32转成FP16或INT8，减少内存和加速推理。INT8量化需要校准集，校准不好会掉点。面试官问“量化后掉点怎么办”，可以回答：检查校准集分布是否匹配线上数据，尝试逐层量化敏感度分析，对敏感层保留FP16，或者用量化感知训练。

格式转换方面，PyTorch模型先导出ONNX，再转TensorRT、OpenVINO、NCNN等。ONNX导出常见坑包括：动态shape设置、算子不支持、NMS后处理是否包含在模型内。如果NMS放在模型外，部署时要用对应推理框架实现。TensorRT加速时，可以开FP16、INT8、动态batch。面试官问“为什么ONNX推理比PyTorch快”，可以回答：ONNX Runtime做了图优化、算子融合、内存复用，TensorRT还会针对GPU做kernel自动调优。

5.2 推理速度、后处理与精度平衡

推理速度的瓶颈可能在Backbone、Neck、Head，也可能在后处理NMS。YOLO类模型如果输出框很多，NMS会很耗时。优化方法包括：减少类别数、降低输入分辨率、使用更轻的Backbone、合并BN、使用FP16、限制每张图最大检测数。面试官问“怎么把模型跑到30FPS”，需要先明确硬件：是GPU还是CPU，是边缘设备还是服务器。不同硬件优化路径不同。

精度和速度的平衡上，我习惯做几个版本：高精度版、平衡版、极速版。高精度版用大输入、大模型、多尺度测试；平衡版用中等输入和轻量Neck；极速版用MobileNet、ShuffleNet或YOLO-nano。面试时如果能说出每个版本的延迟和mAP trade-off，会很有说服力。另外，批处理能提高吞吐，但会增加延迟；动态shape适合不同分辨率，但可能影响TensorRT优化。需要根据业务选择。

5.3 线上问题排查案例

线上检测常见问题包括：误检、漏检、类别混淆、框抖动、延迟飙升。误检多时，先看是否背景负样本不足，或某些纹理被误认为目标。漏检多时，看小目标、遮挡、低光照是否占多数。类别混淆看混淆矩阵，比如猫和狗、货车和客车。框抖动看视频连续帧，可能是NMS阈值或跟踪缺失。延迟飙升看输入分辨率、batch、GPU占用、后处理框数量。

我遇到过一个工业质检项目，离线mAP很高，线上漏检严重。排查后发现线上相机角度和训练集不同，导致目标尺度变化。解决办法是补采线上数据，加入随机透视变换和尺度增强，再重新训练。另一个案例是误检多，原因是负样本里缺少某些背景纹理，于是用难例挖掘把线上误检图加入训练。这些经历在面试里很加分，因为它证明你不仅会训模型，还会闭环解决问题。

6. 高频面试题速查与答法

最后一部分，我把高频问题整理成速查表，方便你面试前快速过一遍。目标检测面试题虽然多，但核心就那么几类：概念题、对比题、场景题、项目题、部署题。概念题靠基础，对比题靠理解，场景题靠经验，项目题靠复盘，部署题靠实践。面试前不要只背答案，要模拟追问。比如准备NMS，就要准备“Soft-NMS区别”“NMS阈值怎么选”“NMS能不能并行”。准备YOLO，就要准备“YOLOv5和YOLOv8区别”“Anchor-free怎么回归”“损失函数是什么”。

6.1 背诵型问题：Z字清单

下面这些问题，我建议做到不查资料也能答出核心点。表格里是问题、回答要点、常见追问。

6.2 项目追问：STAR与反问

项目题一定要用STAR结构：背景、任务、行动、结果。背景讲业务场景和数据规模；任务讲你负责什么；行动讲模型选型、训练策略、优化点；结果讲指标提升和上线效果。比如：“我在工业质检项目里负责缺陷检测，数据2万张，缺陷占5%，用YOLOv5s，初始mAP@0.5为0.72，通过CopyPaste和CIoU损失提升到0.81，TensorRT FP16推理延迟从45ms降到18ms。”这种回答具体、可信。

面试官追问项目时，常问：“如果重做一次，你会改什么？”“最大的难点是什么？”“指标提升主要来自哪个改动？”这时候要诚实，不要把所有功劳归给模型。可以说：“最大难点是漏检，后来发现是标注漏框，重新清洗数据后提升明显。”反问环节可以问团队技术栈、数据规模、部署硬件、模型迭代流程。不要问“加班多吗”这种减分问题。

6.3 避坑：别踩这些回答雷区

目标检测面试有几个雷区。第一，只会背YOLO版本号，不知道设计动机。第二，把mAP和准确率混为一谈。第三，忽略后处理和部署。第四，项目数据说不清，指标夸大。第五，遇到不会的问题强行编。不会就说“这块我了解不深，但我知道大致方向是……”，然后讲你熟悉的关联知识。面试官更看重思考过程，而不是全知全能。

还有一点，不要轻视传统方法。有些面试官会问Selective Search、DPM、HOG+SVM。虽然现在用得少，但理解它们能帮你讲清楚两阶段检测的演进。也不要轻视评估细节，比如COCO的AP计算、小中大目标划分、maxDets设置。这些细节在面试里问出来，答对了很加分。最后再分享一个我自己的习惯：面试前拿一张白纸，把目标检测主线画出来，从输入图像到Backbone、Neck、Head、损失、标签分配、后处理、评估、部署，每个节点写三个关键词。能默画出来，基本就不会慌。