Ch.15

目标检测（Object Detection）：R-CNN 家族与 YOLO 的对决（寻找边界框）

R-CNN 像 逐个打开 候选箱子验货； YOLO 像 各区域负责人同时汇报 的现场巡检。

在同一张照片里找 「狗在哪里？」 时， R-CNN 会先提出 很多可疑区域(候选框) ，再逐个确认。 YOLO 把照片切成 网格 ，每个格子 同时 报告位置和类别。最后用 去重 NMS (Non-Maximum Suppression， 打扫 重叠框)整理结果，用 成绩单 mAP (mean Average Precision， 综合分数)评估找得准不准。

R-CNN先画很多 虚线候选框（「这里可能有东西」），确认后只留 一条实线框。

YOLO把照片分成网格，每个格子一次同时说出自己区域的 位置和类别。

一张照片怎样被处理

先放入一张 RGB 照片 。和分类不同，目标是找出 多个物体分别在哪里 。 CNN 骨干网 把照片变成 特征图 ，后面的步骤读取这些特征来画框。 R-CNN 会提出 很多可能含物体的候选区域 。 YOLO 把图像分成 S\timesS 网格 。 在每个 候选区或网格格 里，同时预测 是什么(类别) 和 在哪里(框) 。 用 去重(NMS) 去掉同一物体上重叠的框，再用 成绩单(mAP) 和 重叠度(IoU) 评估有多准确。

分类 问「照片里有猫吗？」 目标检测 再进一步： 「猫在哪个位置(X,Y)、多大(W,H)？」 —— 画出 边界框 。它是自动驾驶、质检机器人、机器人视觉的核心。 本章介绍分裂该领域的两种思路： 谨慎的两阶段 R-CNN （先找可疑区域再确认）与 闪电般的一阶段 YOLO （把图像切成格子一次扫完）。并比较设计差异与衡量框质量的易懂指标。

\text{IoU}=|A\cap B|/|A\cup B|

目标检测：R-CNN vs YOLO

1. 分类 vs 检测：从「是什么」到「在哪里的什么」 图像分类 问「房间里有猫吗？」 目标检测 问「猫 在哪里 ？」要给多个物体画框并说出名字，任务更丰富。 2. R-CNN 系（两阶段）：谨慎的侦探 ① 先提出很多「这里可能有东西」的 候选区域 \to ② 逐个细看：「是猫！框应该这么大！」 准确 但两阶段 较慢 。 3. YOLO（一阶段）：一眼看穿的保安 YOLO 名副其实 —— 图像 只看一次 。切成 S\timesS 网格 ，每个格子同时喊「我这格有狗！」并画框， 实时 场景极快。 4. 质量工具：IoU \cdot NMS \cdot mAP - IoU： 预测框与真值框重叠多少(0~1)，核心是 交集\div并集 ，完整式见 公式导读 。 - NMS（Non-Maximum Suppression）： 同一只狗上框太多时， 打扫 后只留 最确信的一个 。 - mAP（mean Average Precision）： 找得准不准、框画得好的 总成绩单 。

能在现实世界行动的 AI「眼睛」 自动驾驶要知道行人、车辆的 精确位置 才能刹车；机器人要知道 抓哪里 。检测给 AI 空间理解 ，不止整图一个标签。 要速度还是精度？按场景选 CCTV、自动驾驶用 YOLO（一阶段） ；医疗影像找微小病灶用 R-CNN（两阶段） 。了解两者才能选对工具。 没有指标就说不出好坏 类名对了但框偏了也没用。 IoU 和 mAP 是客观证据和改进方向。 通向分割的垫脚石 框只是粗略外接矩形。掌握检测后自然延伸到像素级 分割 。

第1步：准备数据与框坐标 标注每个物体位置，统一用 (x_min, y_min, x_max, y_max) 或 (cx, cy, w, h) 。 第2步：按需求选网络 要 实时 选 YOLO 类网格 模型；要小目标高精度选带 RPN 的 Faster R-CNN 。 第3步：训练 — 匹配与损失 用 IoU 对齐预测与真值，同时减小 分类误差 和 回归误差 。 第4步：去重(NMS)与成绩单(mAP) 去掉低分框，用 NMS（Non-Maximum Suppression，打扫重叠框） 整理重复，用验证集 mAP（mean Average Precision，综合分数） 看模型好不好。

一句话： 目标检测同时找每个物体的 类别和框 ，分为仔细的 两阶段 R-CNN 与快速的 一阶段 YOLO 。 要点： IoU 量重叠， NMS（去重） 整理重复框， mAP（总成绩） 衡量整体表现。 下一章： 从框到 分割 —— 像素级轮廓。

先这样读题再动手 - 先分清考点: 分类 vs 检测 / R-CNN 两阶段 vs YOLO 一阶段 / IoU\cdotNMS\cdotmAP - 计算题固定套路: YOLO 网格 S\timesS \to 总格数 S² (例: S=7 \to 7\times7=49) - IoU\cdot并集: 并集 = A + B - 交集, 重叠 4\times4 \to 面积 16 示例 (概念型) 「目标检测的目标最接近?」 ① 整图一个类 ② 每个物体的框+类别 ③ 只做像素分割 ④ 只调学习率 答案 2 为什么? 检测要同时找 是什么 + 在哪里; 分类只给整图一个标签。 示例 (判断型) 「YOLO 总是只用两阶段」 答案 0 (错) 为什么? YOLO 在 S\timesS 网格上一阶段 一次预测框和类别。 示例 (计算型) 「YOLO 网格 S=7, 总格数?」 \to 7\times7=49 按题型示例 + 正解理由 示例 (情景型) 「推理后同一人周围重叠 5 个框, 先做?」 ① NMS 去重 ② 打乱标签 ③ 骨干 0 层 ④ 去掉 mAP 答案 1 为什么? 重叠重复框用 NMS 整理。 示例 (选择计算型) 「框 A\cdotB 各面积 32, 交集 16, 并集面积?」 答案 48 (32+32-16) 为什么? 并集 = A + B - 交集 的固定模式。 示例 (网格型) 「YOLO 网格 S=9, 总格数?」 答案 81 (9\times9) 为什么? S\timesS 网格 是一边格数的平方。 示例 (综合推理型) 「CCTV 需要实时推理, 选哪种结构?」 ① 只用 Selective Search ② 只用原版 R-CNN ③ YOLO 类一阶段 ④ 停止增强 答案 3 为什么? 速度 优先时先考虑 一阶段 YOLO 。

目标检测：R-CNN vs YOLO

1. 分类 vs 检测：从「是什么」到「在哪里的什么」

图像分类问「房间里有猫吗？」目标检测问「猫在哪里？」要给多个物体画框并说出名字，任务更丰富。

2. R-CNN 系（两阶段）：谨慎的侦探

① 先提出很多「这里可能有东西」的候选区域 →

② 逐个细看：「是猫！框应该这么大！」准确但两阶段较慢。

3. YOLO（一阶段）：一眼看穿的保安

YOLO 名副其实 —— 图像只看一次。切成 S×S 网格，每个格子同时喊「我这格有狗！」并画框，实时场景极快。

4. 质量工具：IoU · NMS · mAP

- IoU： 预测框与真值框重叠多少(0~1)，核心是交集÷并集，完整式见公式导读。

- NMS（Non-Maximum Suppression）： 同一只狗上框太多时，打扫后只留最确信的一个。

- mAP（mean Average Precision）： 找得准不准、框画得好的总成绩单。