05 计算机视觉进阶本域第 4 篇

目标检测

从「图里有什么」到「谁、在哪里、有几个」

定义

目标检测不仅回答「图里有什么」，还要给出每个物体在哪里——通常输出一组边界框，每个框带类别与置信度。它把分类从「整张图一个标签」推进到「每个物体一个标签加一个位置」。

直观理解

分类说「这是客厅」；检测说「这是客厅，沙发在左下角、电视在中上、猫趴在窗台」。前者只需说对一件事，后者要在同一张图里同时找对数量、类别和位置——难点一下子从识别升级成了搜索。

图 1

检测流水线：主干网络给出特征，检测头做密集或候选预测，最后经 NMS 去重得到带标签的框

图 2

检测器在 COCO 上的 mAP 演进：从两阶段的 Faster R-CNN 到单阶段 YOLO 系列与端到端的 DETR

01
分类、定位、检测的三级台阶
分类输出一个标签；定位在「图中只有一个物体」的假设下额外回归一个框；检测则要处理数量未知、大小不一、彼此遮挡的多个实例。
02
两阶段：先找候选，再逐一分类
R-CNN 系列先用区域建议网络（RPN）产生上千个候选框，再对每个框做分类与坐标回归。精度高，但流程慢，且依赖候选框的质量。
03
单阶段：一步同时预测类别与框
YOLO 与 SSD 直接在特征图上做密集预测，把检测变成一个回归问题。速度快，早期对小目标与密集场景较弱，后续版本已大幅弥补。
04
锚框 → 无锚 → 端到端
从预设锚框，到 FCOS / CenterNet 的锚点无关方法，再到 DETR 用集合预测加匈牙利匹配直接输出框，检测头在结构上被不断简化。
05
后处理：IoU 与 NMS
用交并比（IoU）衡量两个框的重合程度，非极大值抑制（NMS）去掉同一物体的重复框，最终由 mAP 在多个 IoU 阈值上汇总评估。

图 3

典型检测头：同一张特征图分岔到分类分支与回归分支，再汇总成「框 + 类别」

图 4

速度与精度的权衡：单阶段方法普遍更快、两阶段更准，现代模型则同时向两个方向推进（悬停看坐标）