深度学习目标检测

蒜鸟~蒜鸟~

961人浏览 · 2025-10-15 13:53:28

蒜鸟~蒜鸟~ · 2025-10-15 13:53:28 发布

在计算机视觉领域，目标检测是一项核心且极具挑战性的任务。它不仅要求识别图像中物体的类别，还需精准定位物体在图像中的位置，广泛应用于自动驾驶、安防监控、医疗影像分析等众多场景。

一、目标检测：不止于 “识别”，更要 “定位”

1. 任务本质

目标检测的核心是双任务协同：既要完成 “类别识别”（判断图像中有什么物体），又要实现 “位置定位”（确定物体在哪里）。例如，在一张街景图中，不仅要识别出 “人”“车”“自行车”，还要用边界框标出每个物体的具体范围。

2. 三大核心挑战

尽管技术不断发展，目标检测仍面临三大关键问题，这些问题也是算法优化的核心方向：

目标种类与数量繁多：现实场景中物体类别多样（如 COCO 数据集包含 80 类），且单张图像中可能存在数十个物体，增加了检测难度。

目标尺度不均：同一类物体在图像中可能呈现极大的尺寸差异（如远处的汽车与近处的汽车），算法需适应多尺度检测。

外部环境干扰：遮挡（如行人被树木遮挡）、噪声（如模糊图像）等因素会导致特征提取困难，影响检测精度。

二、数据集：目标检测的 “训练燃料”

高质量的标注数据集是训练目标检测模型的基础。目前业界最常用的两大数据集分别是 VOC 和 COCO，二者在规模、类别数量上存在显著差异，适用于不同场景的模型训练。

数据集	起源	图像数量	类别数量	目标标注数量	平均单图目标数
PASCAL VOC	世界级计算机视觉挑战赛	VOC 2007：9963 张VOC 2012：23080 张	4 大类、20 小类	VOC 2007：24640 个VOC 2012：54900 个	-
MS COCO	微软 2014 年出资标注	20 万个	80 类	超过 50 万个	7.2 个

VOC 数据集：起步早、类别少，适合入门级模型训练与算法验证，是目标检测领域的 “基准数据集”。

COCO 数据集：规模更大、类别更全，且包含更多小目标和复杂场景标注，更贴近真实世界应用，是当前主流模型（如 YOLO、Faster R-CNN）的主要训练数据来源。

三、Ground Truth：标注格式的 “语言规范”

Ground Truth（真值标注）是模型训练的 “标准答案”，包含物体类别和边界框坐标。不同数据集采用不同的标注格式，核心差异在于坐标表示方式，需注意是否归一化和坐标定义规则。

1. 三种主流标注格式对比

格式	坐标表示	归一化情况	适用场景
YOLO（TXT）	(Cₓ, Cᵧ, w, h)：中心点坐标 + 宽高	是（坐标值范围 0-1）	YOLO 系列模型训练
VOC（XML）	(Xmin, Ymin, Xmax, Ymax)：左上角 + 右下角	否（直接使用像素值）	VOC 数据集、Faster R-CNN 等模型
COCO（JSON）	(Xmin, Ymin, W, H)：左上角坐标 + 宽高	否（直接使用像素值）	COCO 数据集、主流深度学习模型

2. 示例理解

假设一张 1000×800px 的图像中有一只狗，其边界框左上角坐标 (100,600)、宽 150px、高 100px：

YOLO 格式（归一化后）：Cₓ=100+150/2=175 → 175/1000=0.175；Cᵧ=600+100/2=650 → 650/800=0.8125；w=150/1000=0.15；h=100/800=0.125 → 最终为 (0.175, 0.8125, 0.15, 0.125)。

VOC 格式：直接记录像素值 → (100, 600, 250, 700)（Xmax=100+150=250，Ymax=600+100=700）。

四、评估指标：判断模型好坏的 “标尺”

目标检测的评估需兼顾 “精度”（少错检）和 “召回率”（少漏检），核心指标包括 IoU、TP/FP/TN/FN、Precision/Recall、AP 与 mAP。

1. 基础指标：IoU（交并比）

IoU 是衡量边界框定位准确性的核心指标，计算预测框与真值框的交集面积与并集面积的比值，公式如下：

$IoU = \frac{Intersection}{Union}$

取值范围：0-1，值越大表示定位越准确。

实际应用：通常设定 IoU 阈值（如 0.5），若预测框与真值框的 IoU>0.5，则认为定位有效；否则无效。

2. 样本分类：TP/FP/TN/FN

目标检测中，样本分类需结合 “类别置信度” 和 “IoU” 判断，具体定义如下：

指标	定义	目标检测场景解释
TP（真阳性）	真值为正样本，预测也为正样本	预测框类别正确，且 IoU > 阈值
FP（假阳性）	真值为负样本，预测为正样本	预测框类别错误，或 IoU < 阈值（错检）
TN（真阴性）	真值为负样本，预测也为负样本	图像中无该类物体，模型未检测（无意义，通常忽略）
FN（假阴性）	真值为正样本，预测为负样本	图像中有该类物体，模型未检测（漏检）

3. 核心评估指标：Precision 与 Recall

Precision（查准率）：衡量预测为正样本的结果中，真正为正样本的比例，反映 “少错检” 能力：

$Precision = \frac{TP}{TP + FP}$

Recall（查全率）：衡量真值为正样本的结果中，被正确预测的比例，反映 “少漏检” 能力：

$Recall = \frac{TP}{TP + FN}$

4. 综合指标：AP 与 mAP

AP（平均精度）：针对单个类别，通过 P-R 曲线（以 Recall 为横轴、Precision 为纵轴）计算曲线下面积，常用 “11 点法”（取 Recall=0,0.1,...,1.0 共 11 个点的 Precision 平均值）。

mAP（平均精度均值）：所有类别的 AP 的算术平均值，是衡量模型整体性能的核心指标（如 COCO 竞赛以 mAP@0.5 衡量模型优劣）。

五、目标检测算法：从传统到深度学习

目标检测算法经历了 “传统方法→深度学习方法” 的演进，目前深度学习方法已成为主流，可分为 “Two-Stage”（两阶段）和 “One-Stage”（单阶段）两大类。

1. 传统方法：滑动窗口法

原理：人工设计固定尺寸的窗口，在图像上滑动遍历，对每个窗口进行分类，判断是否包含目标。

缺点：需人工设计窗口尺寸，存在大量冗余计算，定位精度低，已被深度学习方法淘汰。

2. 深度学习方法：Anchor 的 “有无” 与 “阶段” 划分

（1）Anchor：目标检测的 “先验框”

Anchor（锚框）是深度学习方法中解决 “目标尺度不均” 的关键设计：

用scale（尺度，如 128×128、256×256） 描述目标大小，aspect ratio（长宽比，如 1:1、1:2、2:1） 描述目标形状。

基于特征图的每个像素生成多个 Anchor，覆盖不同尺度和形状的目标，减少漏检。

（2）Anchor-Based vs Anchor-Free

Anchor-Based（基于锚框）：自顶向下设计，先预设大量 Anchor，再筛选置信度高的 Anchor 并回归调整位置（如 Faster R-CNN、YOLO v2-v5）。

Anchor-Free（无锚框）：自底向上生成目标框，无需预设 Anchor，直接从特征图中预测目标中心和边界（如 FCOS、CenterNet），简化了模型设计。

（3）Two-Stage vs One-Stage

两类算法的核心差异在于 “是否生成候选框（Proposal）”，直接影响精度与速度的权衡：

类别	流程	代表算法	优点	缺点
Two-Stage	输入图像 → CNN 提取特征 → 生成候选框（Proposal） → 对候选框分类与回归 → NMS 输出结果	R-CNN、SPP-Net、Fast R-CNN、Faster R-CNN、Cascade R-CNN	精度高，漏检少	速度慢，不适合实时场景
One-Stage	输入图像 → CNN 提取特征 → 直接分类与回归 → NMS 输出结果	YOLO 系列、SSD 系列、RefineDet	速度快，适合实时场景（如自动驾驶）	精度略低于 Two-Stage