088、文字检测 YOLO 风格：用 YOLO 做场景文字检测替代 DBNet 的实验

088、文字检测 YOLO 风格：用 YOLO 做场景文字检测替代 DBNet 的实验

上周三晚上，我在调试一个工业场景的文字检测模型，DBNet 在合成数据上跑得挺欢，一到真实产线就崩——光照不均、文字倾斜、部分遮挡，召回率直接掉到 0.6 以下。我盯着 tensorboard 上的 loss 曲线发呆，突然想到：既然 YOLO 在通用目标检测上已经把 anchor-free 玩得这么溜，为什么不能把文字检测也做成一个“框回归 + 分类”的问题？DBNet 那套可微分二值化虽然优雅，但训练起来太娇气，后处理还得调阈值。不如试试用 YOLOv8 直接干文字检测，看看能不能暴力出奇迹。

为什么 DBNet 让我想换方案

DBNet 的核心是预测一个概率图和一个阈值图，然后通过可微分二值化得到近似二值图。听起来很数学很美，但实际落地时你会发现：阈值图的训练非常依赖标注质量，如果标注框边缘不干净（比如人工标注的四边形有锯齿），模型就会学歪。更烦人的是，推理时后处理要跑连通域分析，一张 1080p 的图能卡 200ms。而 YOLO 的推理流程简单粗暴——前向一次，NMS 收工，延迟能压到 20ms 以内。

我当时的想法很直接：把文字检测当成一个“旋转框检测”问题，用 YOLOv8 的 OBB（Oriented Bounding Box）分支来搞。但 YOLOv8-OBB 官方只支持 DOTA 格式，场景文字检测的数据集（比如 ICDAR2015、Total-Text）标注格式五花八门，得先做数据适配。