ResNet50、VGG16等模型与RCNN、Faster RCNN等的区别是什么？

我们可以用造车的类比快速理解二者的差异：VGG16、ResNet50这类模型相当于汽车的发动机，是完整可用的核心部件，可以适配不同的车型；而Faster RCNN、YOLO、SSD这类模型相当于整车，已经把发动机、车架、轮子等所有组件配齐，买回去就能直接实现载人拉货的具体需求。

第一类：VGG16、ResNet50、Xception等Keras Applications内置模型 #

这类模型本质是通用主干特征提取网络（Backbone）：

• 核心能力是对输入图片进行多层卷积计算，提取从边缘、纹理等底层特征到动物轮廓、物体部件等高层语义特征
• 本身具备独立运行的能力：Keras提供的预训练版本已经内置了ImageNet 1000类分类头，直接加载就能做图像分类任务，属于完整的深度学习模型
• 通用性极强：可以移除顶部的分类头，只保留特征提取部分，嵌入到图像分类、语义分割、目标检测、图像生成等各类计算机视觉任务的框架中作为核心特征提取组件使用，这也是大家常说它是「特征提取器」的原因

第二类：RCNN、Faster RCNN、YOLO、SSD等模型 #

这类模型本质是面向目标检测任务的端到端完整框架：

• 整个框架由多部分组成：1. 上述的Backbone特征提取网络；2. 候选框生成/锚框匹配模块；3. 类别预测+边界框回归模块，三部分配合才能完成「找出图片中所有目标的位置和所属类别」的目标检测需求
• 不需要额外拼装组件，输入图片后可直接输出目标检测结果，属于面向特定场景的成品解决方案

常见误区澄清：很多资料提到ResNet50仅可用作特征提取器是对它用途的片面描述，它本身就是完整的图像分类模型，只是因为特征提取能力出色，常被拆解复用为其他任务框架的核心组件，才会给人留下「只能当零件」的印象。两类模型也不是同级的对比关系，而是包含与被包含的关系——几乎所有目标检测框架都会用到第一类模型作为核心特征提取部件。

内容的提问来源于stack exchange，提问作者Muntha