Object Detection（目标检测）

目标检测是计算机视觉的核心任务，要求模型在图像或视频中同时完成「定位」与「识别」——用边界框标出每个物体的位置，并给出其所属类别。它是自动驾驶、安防监控、工业质检等场景不可或缺的感知基础。

目标检测与图像分类的关键区别在于：它不仅要回答「是什么」，还要回答「在哪里」，且须同时处理图中数量不定的多个目标。

• 边界框（Bounding Box）：用矩形框 (x, y, w, h) 标注目标位置，是检测输出的基本单元
• 类别标签：为每个框分配语义类别（如行人、车辆、红绿灯）
• 置信度分数：模型对该框内确实存在目标的把握程度
• 多目标并发：单张图像中同一类别可出现多个实例，需逐一检测
• 与语义分割的区别：检测输出框而非像素级掩码，计算代价更低

目标检测经历了从手工特征到深度学习的重大范式转变。

• 2001：Viola-Jones 检测器，基于 Haar 特征与 AdaBoost，首个可实时运行的人脸检测算法
• 2005：HOG + SVM（Dalal & Triggs），成为行人检测的主流手工特征方法
• 2014：R-CNN（Girshick et al., CVPR 2014），将 CNN 引入目标检测，开创两阶段范式
• 2015：Fast R-CNN 与 Faster R-CNN（Ren、He、Girshick、Sun），引入区域建议网络（RPN），实现端到端训练
• 2016：YOLOv1（Redmon et al., CVPR 2016），将检测视为回归问题，单次前向传播同时完成定位与分类
• 2020 至今：DETR（Facebook AI）用 Transformer 替代锚框与 NMS；YOLO 系列持续迭代至 YOLO11；RT-DETR 实现实时无锚框检测

两阶段方法先生成候选区域，再对候选区域分类，精度通常更高，但推理速度较慢。

• 第一阶段（区域建议）：生成若干可能包含目标的候选框（Region Proposals）
• 第二阶段（区域分类）：对每个候选框提取特征并分类，同时精修边界框坐标
• RPN（Region Proposal Network）：Faster R-CNN 的核心创新，与检测头共享卷积特征，避免重复计算
• RoI Align：将不同尺寸的候选区域特征统一为固定尺寸，解决 RoI Pooling 的量化误差问题
• 代表模型演进：R-CNN → Fast R-CNN → Faster R-CNN → Mask R-CNN（额外输出实例分割掩码）

单阶段方法跳过显式的区域建议步骤，直接在特征图上密集预测，速度更快，适合实时场景。

• YOLO（You Only Look Once）：将图像划分为网格，每个格子直接预测边界框与类别概率，一次前向传播完成检测
• SSD（Single Shot MultiBox Detector）：在多尺度特征图上设置不同尺寸锚框，兼顾大小目标
• RetinaNet：引入 Focal Loss，通过降低易分类样本的权重来解决前景/背景极度不平衡问题
• 锚框（Anchor）：预先定义的参考框，模型预测相对于锚框的偏移量而非绝对坐标
• YOLO 系列自 YOLOv1（2016）持续演进，已成为工业界实时检测的事实标准

目标检测的评测需同时考量定位精度与类别精度，比图像分类复杂。

• IoU（Intersection over Union，交并比）：预测框与真实框面积的交集除以并集，衡量定位准确性，常用阈值 0.5
• AP（Average Precision）：单类别精确率—召回率曲线下面积，衡量该类别的检测能力
• mAP（mean Average Precision）：所有类别 AP 的均值，是 PASCAL VOC、COCO 基准的核心指标
• COCO mAP：在 IoU 从 0.50 到 0.95（步长 0.05）共 10 个阈值上取平均，比 VOC 的单阈值 mAP 更严格
• NMS（Non-Maximum Suppression，非极大值抑制）：推理后处理，去除重叠冗余框，保留置信度最高的预测

2020 年后，基于注意力机制的检测器开始挑战以卷积+锚框为核心的传统范式。

• DETR（Detection Transformer，Facebook AI，2020）：用 Transformer 编解码器直接预测目标集合，彻底去除锚框和 NMS
• 二分图匹配：DETR 以匈牙利算法将预测框与真实框一一对应，实现真正的端到端训练
• Deformable DETR：引入可变形注意力机制，解决 DETR 收敛慢、小目标效果差的缺陷
• RT-DETR（百度，2023）：实时无锚框 Transformer 检测器，速度接近 YOLO 同时精度更高
• 注意力机制赋予模型全局感受野，对遮挡、密集场景的处理优于局部卷积

目标检测已从实验室走入大规模工业落地，覆盖多个高价值场景。

• 自动驾驶：实时检测行人、车辆、交通标志，是感知模块的核心任务
• 安防监控：异常行为检测、人员计数、车牌识别
• 工业质检：生产线上的缺陷定位，毫秒级响应，替代人工目检
• 医学影像：肿瘤、病灶、解剖结构的自动定位，辅助临床诊断
• 零售与仓储：货架商品识别、无人超市结算、仓库分拣机器人