目标检测

图像分类回答“这是什么？”，目标检测回答“什么在哪里？”。自动驾驶需要检测行人、车辆、交通标志的位置；安防系统需要检测异常行为的区域；医疗影像分析需要定位病变。目标检测不仅识别物体类别，还要用边界框标出位置，是计算机视觉最实用的任务之一。

从分类到检测

最简单的情况是目标定位（Object Localization）：图像中只有一个物体，输出它的类别和位置。

输出不只是类别标签，还包括边界框（Bounding Box）的四个坐标：

• $p_c$：是否有物体（0或1）
• $(b_x, b_y)$：边界框中心坐标
• $b_h, b_w$：边界框高度和宽度

损失函数需要同时考虑分类和定位：

边界框损失通常用L2（均方误差）或Smooth L1。

IoU：评估定位质量

如何判断预测的边界框好不好？交并比（Intersection over Union, IoU）是标准指标。

IoU范围在[0, 1]：

• IoU = 1：完美匹配
• IoU > 0.5：通常认为是"正确"的检测
• IoU < 0.5：认为检测失败

def compute_iou(box1, box2):
    """
    计算两个边界框的IoU
    box: [x1, y1, x2, y2] 左上角和右下角坐标
    """
    # 计算交集区域
    x1_inter = max(box1[0], box2[0])
    y1_inter = max(box1[1], box2[1])
    x2_inter = min(box1[2], box2[2])
    y2_inter = min(box1[3], box2[3

非极大值抑制：去除重复检测

目标检测算法可能对同一个物体输出多个边界框（略微不同的位置）。非极大值抑制（Non-Max Suppression, NMS）保留最好的检测，去除重复。

算法：

1. 按置信度降序排列所有检测
2. 选择置信度最高的检测，加入输出列表
3. 删除所有与它IoU > 阈值（如0.5）的检测
4. 重复2-3直到没有剩余检测

def non_max_suppression(boxes, scores, iou_threshold=0.5):
    """
    非极大值抑制
    boxes: list of [x1, y1, x2, y2]
    scores: list of confidence scores
    """
    # 按分数降序排列
    order = sorted(range(len(scores)), key=lambda i: scores[i], reverse=True)
    
    keep = []
    while order:
        # 选择分数最高的
        i = order[

多类别NMS：对每个类别分别执行NMS，因为不同类别的物体可能重叠（如人骑在马上）。

YOLO：实时目标检测

传统目标检测（如R-CNN）分两步：先提议候选区域，再分类。YOLO（You Only Look Once）将检测视为回归问题，一次前向传播完成检测，实现实时处理（45 FPS）。

核心思想：

1. 将图像分成 $S \times S$ 网格（如7×7）
2. 每个网格预测 $B$ 个边界框及其置信度
3. 每个网格还预测类别概率

输出张量形状：$(S, S, B \times 5 + C)$

其中5是 $(b_x, b_y, b_h, b_w, \text{confidence})$， 是类别数。

训练目标：

• 定位损失：预测框与真实框的坐标差异
• 置信度损失：预测置信度与实际IoU的差异
• 分类损失：类别预测的交叉熵

优势：

• 快速：单次前向传播，适合实时应用
• 全局推理：看整张图，比区域提议法少背景误检
• 通用性：适用于各种物体

劣势：

• 小物体检测不好（受限于网格大小）
• 同一网格内的多个物体难以检测

YOLOv2、v3、v4持续改进，v5、v7在速度和精度上继续提升，成为工业界最常用的检测算法之一。

Anchor Boxes：处理多物体重叠

如果两个物体的中心落在同一个网格怎么办？YOLO原版只能检测一个，Anchor Boxes解决了这个问题。

思路：预定义几种不同形状的Anchor（如高瘦的、宽扁的），每个Anchor预测一个物体。

假设每个网格有3个Anchor，输出变成 $(S, S, 3 \times (5 + C))$。训练时，每个真实物体分配给与它IoU最大的Anchor。

def assign_anchor(object_box, anchors):
    """
    将物体分配给最匹配的anchor
    object_box: [w, h] 归一化的宽高
    anchors: list of [w, h] 预定义的anchor形状
    """
    ious = []
    for anchor in anchors:
        # 计算IoU（假设中心对齐）
        inter = min(object_box[0], anchor[0]) * min(object_box[1], anchor[1])
        union = object_box[0]*object_box[

Anchor的选择：通常通过聚类训练集中的物体尺寸来确定。YOLO v2用k-means聚类找到5个Anchor，v3用9个。

实战：搭建简单的目标检测器

用预训练的YOLOv5进行检测：

import torch
 
# 加载预训练的YOLOv5
model = torch.hub.load('ultralytics/yolov5', 'yolov5s', pretrained=True)
 
# 推理
img = 'path/to/image.jpg'
results = model(img)
 
# 显示结果
results.show()  # 显示带框的图像
 
# 获取检测结果
detections = results.pandas().xyxy[0]  # x1, y1, x2, y2, confidence, class, name
print(detections)

自定义数据集训练：

# data.yaml
train: ./images/train
val: ./images/val
nc: 3  # 类别数
names: ['person', 'car', 'bicycle']

# 训练
!python train.py --data data.yaml --weights yolov5s.pt --epochs 50

标注工具推荐：LabelImg、CVAT、Roboflow。标注格式通常是YOLO格式（每张图一个txt，每行是 class x_center y_center width height）或COCO格式（JSON）。

目标检测的评估：mAP

目标检测的标准评估指标是平均精度均值（mean Average Precision, mAP）。

步骤：

1. 对每个类别，按置信度降序排列检测
2. 计算不同召回率下的精确率，画PR曲线
3. 计算PR曲线下面积（AP）
4. 对所有类别的AP取平均得到mAP

mAP@0.5：IoU阈值为0.5时的mAP

mAP@[0.5:0.95]：IoU从0.5到0.95每隔0.05计算一次，取平均（COCO数据集标准）

from sklearn.metrics import average_precision_score
 
def compute_map(all_predictions, all_ground_truths, iou_threshold=0.5):
    """
    计算mAP
    all_predictions: list of (class, confidence, box)
    all_ground_truths: list of (class, box)
    """
    aps = []
    
    for class_id in unique_classes:
        # 该类别的预测和真实框
        preds = [p for p in all_predictions if p[0] ==

高mAP意味着模型既准确（高精确率）又全面（高召回率）。SOTA模型在COCO数据集上的mAP@0.5通常在60-70%。

我们已经完成了CNN模块的学习。在下面的几节中，我们将转向序列模型——处理时间序列和自然语言的核心技术。RNN、LSTM、注意力机制将带我们进入另一个精彩的领域：让机器理解和生成语言。