一、目标检测到底要解决什么问题？

简单说，目标检测要完成两个核心任务：

1. 分类：判断图片里有哪些物体（比如 “人”“车”“狗”）；
2. 定位：找到每个物体在图片中的位置（用边界框标记）。

但实际应用中会遇到很多难点：

• 目标种类多、数量不固定（一张图可能有 1 只猫 + 3 个人）；
• 尺度差异大（远处的小物体和近处的大物体）；
• 外部干扰多（遮挡、模糊、光线差等）。

二、常用数据集：VOC、COCO 怎么选？

做目标检测离不开标注好的数据集，最经典的两个是 VOC 和 COCO，它们的差异直接影响后续模型训练和评估：

数据集	类别数量	图片数量	目标数量	特点
PASCAL VOC	4 大类（如 “人”“动物”）+20 小类	VOC2007：9963 张VOC2012：23080 张	VOC2007：24640 个VOC2012：54900 个	标注简洁，适合入门练手
MS COCO	80 类（更细分，如 “猫”“狗”“沙发”）	约 20 万张	超 50 万个	目标密度高（平均每张 7.2 个），贴近真实场景

三、标注格式：YOLO、VOC、COCO 的坐标怎么换算？

标注数据是 “告诉模型什么是对的”，不同框架用的格式不同，核心是边界框坐标的表示方式，这里一定要注意 “是否归一化”：

1. YOLO 格式（TXT 文件）

• 用「中心点坐标 + 宽高」表示：(x, y, w, h)
• 所有值都是归一化后的（除以图片宽高），范围在 0~1 之间。
• 例：一张 1000×800 的图中，狗的框是 (100,600,150,100)，归一化后就是 (0.1, 0.75, 0.15, 0.125)。

2. VOC 格式（XML 文件）

• 用「左上角 + 右下角坐标」表示：(Xmin, Ymin, Xmax, Ymax)
• 直接用像素值，不归一化。
• 例：人在图中的左上角是 (400,400)，右下角是 (500,900)，就标注为 (400,400,500,900)。

3. COCO 格式（JSON 文件）

• 用「左上角坐标 + 宽高」表示：(Xmin, Ymin, W, H)
• 也是像素值，不归一化，和 VOC 的区别是 “用宽高代替右下角坐标”。

四、评估指标：IoU、AP、mAP 到底怎么算？

训练完模型，怎么判断它好不好用？这就需要一套标准化的评估指标，这里从基础到复杂一步步说：

1. 最基础：IoU（交并比）

判断 “模型预测的框” 和 “真实的框” 重合度的指标，公式很简单：IoU = 两个框的交集面积 / 两个框的并集面积

• IoU 越接近 1，说明预测越准；
• 通常设定阈值（如 0.5）：IoU>0.5 算 “预测对”，<0.5 算 “预测错”。

2. 分类结果：TP、FP、TN、FN

先明确 “正样本” 是 “有目标的区域”，“负样本” 是 “无目标的区域”，再看预测结果：

指标	含义	目标检测中的解释
TP（真阳性）	真实有目标，模型也预测有	IoU > 阈值，预测对了
FP（假阳性）	真实无目标，模型预测有	IoU < 阈值，误把背景当目标
TN（真阴性）	真实无目标，模型也预测无	背景预测正确（一般不关注）
FN（假阴性）	真实有目标，模型没预测到	漏检了目标

3. 核心评估：Precision（精确率）& Recall（召回率）

• Precision（精确率）：模型预测为 “有目标” 的结果中，真正对的比例 → 反映 “不瞎标” 的能力，Precision = TP / (TP + FP)；
• Recall（召回率）：真实存在的目标中，模型能找到的比例 → 反映 “不漏检” 的能力，Recall = TP / (TP + FN)。

这两个指标通常是 “trade-off”：精确率高了，召回率可能低（比如模型只敢预测最确定的目标，会漏检）；召回率高了，精确率可能低（比如模型把疑似目标都标出来，会多标错）。

4. 综合评估：AP（平均精度）& mAP（平均精度均值）

• AP：针对单个类别，用 “P-R 曲线下的面积” 来综合 Precision 和 Recall（常用 “11 点法” 计算：取 Recall 为 0、0.1…1.0 共 11 个点，对应每个点的最高 Precision，再求平均）；
• mAP：所有类别的 AP 取算术平均 → 衡量模型在所有类别上的综合表现，是目标检测的 “黄金指标”。

举个例子：如果模型在 “猫” 类的 AP 是 85%，“狗” 类的 AP 是 75%，那 mAP 就是 (85%+75%)/2 = 80%。

五、主流算法：Two-Stage vs One-Stage

目标检测算法主要分两大派，核心区别是 “是否先找候选框”：

1. Two-Stage（两阶段）：精准优先

2. One-Stage（单阶段）：速度优先

3. 补充：Anchor-Based vs Anchor-Free

• Anchor-Based：提前预设一批 “锚框”（不同大小、长宽比），模型在锚框基础上调整 → 如 Faster R-CNN、YOLO v3-v5；
• Anchor-Free：不用预设锚框，直接从特征中找目标中心或关键点 → 如 CornerNet、FCOS（更灵活，适合不规则目标）。

六、最后：非极大值抑制（NMS）

不管哪种算法，最后都会输出一堆候选框，需要用 NMS 筛选出 “最优的框”：

1. 设定置信度阈值（如 0.5），过滤掉置信度低的框；
2. 按置信度从高到低排序；
3. 选置信度最高的框 A，加入最终结果；
4. 剩下的框和 A 算 IoU，删掉 IoU > 阈值（如 0.5）的框（避免重复标注同一个目标）；
5. 重复 3-4 步，直到没有候选框。

总结

目标检测是计算机视觉的核心任务，从数据集标注到模型评估，每个环节都有细节要注意：

• 入门选 VOC 数据集练手，做真实场景用 COCO；
• 标注格式要和框架匹配（YOLO 用 TXT，VOC 用 XML）；
• 评估重点看 mAP，实时场景优先选 One-Stage（如 YOLO），高精度场景选 Two-Stage（如 Faster R-CNN）。