目标检测任务解析

（一）目标检测任务说明

目标检测（Object Detection）是计算机视觉的核心任务之一，它的目标是：

在图像/视频中找到所有物体，并同时给出它们的类别（分类）和位置（定位）。

因此目标检测是一个 分类 + 回归（回归 bounding box） 的联合任务。

---

 1. 输入与输出

输入：一张 RGB 图像（例如 640×640）或视频帧

输出（对每个目标）：

• 类别（如：person, car, dog）
• 边界框坐标（bounding box）
• 多为 (x_min, y_min, x_max, y_max) 或 (cx, cy, w, h)
• 置信度（confidence score）
• 多目标可返回多个目标框

2. 评价指标（metrics）

基础知识：IoU（Intersection over Union）交并比，衡量预测框与真实框的重叠程度：

IoU=Area(P∩G)Area(P∪G)IoU = \frac{Area(P \cap G)}{Area(P \cup G)}

常用阈值：0.5 → 较松；0.75 → 较严；0.5:0.95 → COCO 标准（最严格）

精度指标：

• Precision（查准率）：预测对的有多少
• Recall（查全率）：应检出的有多少被检测到
• F1-score：其调和平均

综合精度指标(PR-curve)：

• AP 是在不同 召回率（Recall） 下的 精确率（Precision） 的平均，衡量某一类别的检测质量。
• AP50：IoU=0.5 的 AP
• AP75：IoU=0.75 的 AP
• AP@[0.5:0.95]：COCO 指标（10 个 IoU 阈值平均）
• mAP对所有类别的 AP 取平均：
  
  
• Pascal VOC 用 mAP@0.5
• COCO 用 mAP@[0.5:0.95]

速度指标：

• FPS/Latency   模型的实时性指标。FPS每秒处理几帧；Latency处理一张图像的时间
• FLOPS
• parameters

3. 常用数据集

下面是最常用的数据集，你入门一定会遇到：

（1） COCO Dataset（最常用）

[下载地址]

• 80 类物体
• 118K 训练 + 5K 验证
• 标注密集包含 segmentation、keypoint
• 当前 SOTA benchmark 都用 COCO

用途：通用目标检测

（2）Pascal VOC

[下载地址]

• 20 类
• 图片数量少（约 11K）
• 是最早的 benchmark

用途：入门、初学者练手，小模型评估

（3）Objects365

• 365 类
• 超大规模（约 60 万图像）
• 供大模型训练，如 DETR/OVD 模型

用途：大模型预训练、大规模 OVD

（4）LVIS Dataset

• 1200+ 类
• long-tail（长尾分布）
• 对 open-vocabulary detection 研究非常重要↳

用途：Open-Vocabulary Detection、零样本检测↳

（5）Open Images Dataset

• 600 类
• 含 bounding box + segmentation + relationships（关系图谱）

用途：大规模检测、关系推理

（6）特殊场景数据集

• 交通：BDD100K、KITTI
• 遥感：DOTA、DIOR
• 医学：Cell Detection、DeepLesion
• 水下：URPC

（二）目标检测的两大流派

1.两阶段 Two-stage

代表模型：

• R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN

特点：

• 第一步生成候选框（RPN）
• 第二步分类和回归
• 精度高但速度稍慢

2.单阶段 One-stage

代表模型：

• YOLO 系列（YOLOv3→v8→v11）
• SSD
• RetinaNet
• YOLOX（anchor-free）
• RT-DETR（Transformer 实时检测）

特点：

• 直接从特征图预测类别和框
• 速度快，部署友好，工业界常用

（待完善）