什么是 R-CNN？快速概览

物体检测是一项计算机视觉任务，可识别和定位图像或视频中的物体，用于自动驾驶、监控和医疗成像等应用。早期的物体检测方法，如 Viola-Jones 检测器和带有支持向量机（SVM）的定向梯度直方图（HOG），依赖于手工制作的特征和滑动窗口。这些方法往往难以准确检测复杂场景中的物体，这些场景中有多个不同形状和大小的物体。

基于区域的卷积神经网络（R-CNN）改变了我们处理物体检测的方式。它是计算机视觉史上的一个重要里程碑。要了解像 YOLOv8 等模型是如何出现的，我们首先需要了解 R-CNN 等模型。 

R-CNN 模型架构由Ross Girshick和他的团队创建，可生成区域建议，使用预先训练好的卷积神经网络 (CNN) 提取特征，对物体进行分类，并完善边界框。虽然这看起来令人生畏，但在本文结束时，你将清楚地了解 R-CNN 的工作原理以及它为何如此重要。让我们一起来看看！

R-CNN 如何工作？

R-CNN 模型的物体检测过程包括三个主要步骤：生成区域建议、提取特征以及在完善物体边界框的同时对物体进行分类。下面让我们逐一介绍这三个步骤。

‍

地区提案：RCNN 的支柱

第一步，R-CNN 模型扫描图像，创建大量区域建议。区域建议是可能包含物体的潜在区域。选择性搜索等方法用于查看图像的各个方面，如颜色、纹理和形状，并将其分解为不同的部分。选择性搜索首先将图像分成较小的部分，然后合并相似的部分，形成较大的感兴趣区域。这个过程一直持续到生成约 2,000 个区域提案为止。

‍

这些区域建议有助于识别物体可能出现的所有位置。在接下来的步骤中，模型可以通过关注这些特定区域而不是整个图像，来有效地处理最相关的区域。使用区域建议可以兼顾全面性和计算效率。

图像特征提取：捕捉细节

R-CNN 模型物体检测流程的下一步是从区域提案中提取特征。每个区域提案都会被调整到 CNN 所期望的一致大小（例如 224x224 像素）。调整大小有助于 CNN 高效处理每个建议。在调整之前，每个区域提案的大小都会略微扩大，以包括区域周围 16 像素的额外上下文，从而为更好地提取特征提供更多的周边信息。

调整大小后，这些区域提案将被输入到类似 AlexNet 的 CNN 中，该 CNN 通常在类似 ImageNet 的大型数据集上进行预训练。CNN 会对每个区域进行处理，以提取高维特征向量，捕捉边缘、纹理和图案等重要细节。这些特征向量浓缩了各区域的基本信息。它们将原始图像数据转换成模型可用于进一步分析的格式。能否在下一阶段准确地对物体进行分类和定位，取决于能否将视觉信息转化为有意义的数据。

‍

物体分类：识别检测到的物体

第三步是对这些区域内的物体进行分类。这意味着要确定建议中发现的每个对象的类别。然后将提取的特征向量传递给机器学习分类器。

在 R-CNN 中，支持向量机 (SVM) 通常用于此目的。每个 SVM 都经过训练，通过分析特征向量来识别特定的对象类别，并判断特定区域是否包含该类别的实例。从根本上说，对于每个物体类别，都有一个专门的分类器来检查每个区域对该特定物体的建议。

在训练过程中，分类器会得到带有正样本和负样本的标记数据：

• 阳性样本：包含目标对象的区域。
• 负样本：没有对象的区域。

分类器会学习如何区分这些样本。边框回归通过调整最初提出的边框，使其更符合实际物体的边界，从而进一步完善检测到的物体的位置和大小。R-CNN 模型结合了分类和边界框回归，可以识别并准确定位物体。

‍

将一切结合起来：利用 NMS 完善检测

在分类和边界框回归步骤之后，模型往往会为同一物体生成多个重叠的边界框。应用非最大值抑制（NMS）来完善这些检测，保留最准确的边界框。该模型通过应用 NMS 消除多余和重叠的边框，只保留最可靠的检测结果。 

NMS 的工作原理是评估所有边界框的置信度分数（表示检测到的物体实际存在的可能性），并抑制那些与高分边界框明显重叠的边界框。 

‍

下面是 NMS 的步骤分解：

• 排序： 边界框按置信度得分从高到低排序。
• 选择： 选出得分最高的方框，并删除与之有明显重叠的所有方框（基于 "交集大于联合"，IoU）。
• 迭代：对下一个得分最高的方框重复这一过程，直到处理完所有方框。

总而言之，R-CNN 模型通过生成区域建议、使用 CNN 提取特征、使用边界框回归对物体进行分类并完善其位置，以及使用非最大抑制（NMS）只保留最准确的检测结果来检测物体。

R-CNN 是物体检测领域的里程碑

R-CNN 是物体检测史上具有里程碑意义的模型，因为它引入了一种新方法，大大提高了准确性和性能。在 R-CNN 之前，物体检测模型很难在速度和精度之间取得平衡。R-CNN 生成区域建议的方法和使用 CNN 进行特征提取的方法，可以精确定位和识别图像中的物体。 

R-CNN 为 Fast R-CNN、Faster R-CNN 和 Mask R-CNN 等模型铺平了道路，进一步提高了效率和准确性。通过将深度学习与基于区域的分析相结合，R-CNN 树立了该领域的新标准，为各种实际应用提供了可能性。

用 R-CNN 改变医学成像技术

R-CNN 的一个有趣应用案例是医学成像。R-CNN 模型已被用于在核磁共振成像和 CT 扫描等医学扫描中检测和分类不同类型的肿瘤，如脑肿瘤。在医学成像中使用 R-CNN 模型可以提高诊断的准确性，帮助放射科医生在早期发现恶性肿瘤。R-CNN 甚至能检测出小肿瘤和早期肿瘤，这对癌症等疾病的治疗和预后有重大影响。

除肿瘤检测外，R-CNN 模型还可应用于其他医学成像任务。例如，它可以识别骨折、检测眼部扫描中的视网膜疾病，以及分析肺部图像以检测肺炎和 COVID-19 等疾病。无论何种医疗问题，早期检测都能为患者带来更好的治疗效果。通过应用 R-CNN 在识别和定位异常方面的精确性，医疗保健提供商可以提高医疗诊断的可靠性和速度。物体检测简化了诊断过程，患者可以受益于及时准确的治疗方案。

R-CNN 的局限性及其后继者

虽然 R-CNN 令人印象深刻，但它也有一些缺点，比如计算复杂度高、推理速度慢。这些缺点使得 R-CNN 模型不适合实时应用。将区域建议和分类分成不同的步骤，可能会降低性能效率。

多年来，各种物体检测模型相继问世，解决了这些问题。快速 R-CNN 将区域建议和 CNN 特征提取合并为一个步骤，从而加快了整个过程。快速 R-CNN 引入了区域建议网络 (RPN) 来简化建议的生成，而掩码 R-CNN 则增加了像素级分割，以实现更详细的检测。

‍

与 Faster R-CNN 大约同时，YOLO （You Only Look Once）系列开始推进实时物体检测。YOLO 模型通过网络一次性预测边界框和类概率。例如 Ultralytics YOLOv8在许多计算机视觉任务中，"R-CNN "提供了更高的精度和更快的速度，并具有先进的功能。

主要收获

RCNN 改变了计算机视觉领域的游戏规则，展示了深度学习如何改变物体检测。它的成功激发了该领域的许多新想法。尽管 Faster R-CNN 和YOLO 等新模型的出现弥补了 RCNN 的缺陷，但它的贡献是一个巨大的里程碑，值得铭记。

随着研究的不断深入，我们将看到更好、更快的物体检测模型。这些进步不仅将改善机器理解世界的方式，还将推动许多行业的进步。物体检测的未来看起来令人兴奋！

想继续探索人工智能？成为Ultralytics 社区的一员！探索我们的GitHub 存储库，了解我们最新的人工智能创新成果。查看我们横跨农业和制造业等多个领域的人工智能解决方案。加入我们，共同学习，共同进步！