物体检测

物体检测如何工作

物体检测通常包含两项核心任务：物体分类（确定 "什么 "物体存在）和物体定位（确定物体的 "位置"，通常通过边界框坐标）。现代物体检测系统在很大程度上依赖于深度学习（DL），尤其是卷积神经网络（CNN）。这些网络在大型注释数据集（如流行的COCO 数据集或Open Images V7）上进行训练，以学习与不同物体类别相关的视觉特征和模式。

在操作过程中（称为推理），训练有素的模型会处理输入的图像或视频帧。它输出一个潜在物体列表，每个物体由一个边框、一个预测类别标签（如 "汽车"、"人"、"狗"）和一个置信度分数表示模型对检测的确定性。非最大值抑制（NMS）等技术通常通过去除同一物体的多余重叠框来完善这些输出。这些模型的性能通常使用 "交集大于联合"（Intersection over Union，IoU）和 "平均精度"（mean Average Precision，mAP）等指标进行评估。

物体检测与相关任务

必须将物体检测与其他相关的计算机视觉任务区分开来：

• 图像分类:为整幅图像指定一个标签（例如，"此图像包含一只狗"）。它并不定位对象。
• 图像分割:对图像中的每个像素进行分类，绘制详细的物体边界图。这比物体检测的边界框更加精细。
  • 语义分割:为每个像素指定一个类别标签（例如，所有属于 "汽车 "的像素都被标记为 "汽车"）。它不会区分同一类别的不同实例。
  • 实例分割:为每个像素指定一个类别标签，并区分同一类别的各个实例（如 "汽车 1"、"汽车 2"）。它结合了检测和分割。
• 对象跟踪:包括检测连续视频帧中的物体，并为每个物体分配一个唯一的 ID，以跟踪其随时间的移动。它建立在物体检测的基础上。

物体检测模型类型

物体检测模型一般分为两大类，主要在方法和速度/精度权衡上有所不同：

• 两级物体探测器:这些模型首先提出物体可能所在的兴趣区域（RoIs），然后对这些区域内的物体进行分类。例如R-CNN 系列（快速 R-CNN、更快 R-CNN）。它们通常能达到很高的准确率，但速度往往较慢。
• 单级物体探测器:这些模型可直接从输入图像中一次性预测边界框和类概率，而无需单独的区域建议步骤。例子包括 Ultralytics YOLO(只看一次）系列、SSD（单镜头多框检测器）和 RetinaNet。这些方法通常速度更快，因此适合实时推理，但有时与两阶段方法相比，准确率会略有降低，不过像 YOLO11等模型有效地弥补了这一差距。无锚检测器等新方法进一步简化了单阶段过程。您可以比较不同的YOLO 模型和其他架构，如 RT-DETR.

实际应用

物体检测是一项基础技术，在各行各业都有大量应用：

1. 自主系统：对于自动驾驶汽车和机器人技术来说至关重要，它允许车辆和机器人通过检测行人、其他车辆、障碍物、交通标志和特定的交互物品来感知周围环境。特斯拉和Waymo等公司在很大程度上依赖于强大的物体检测功能。
2. 安防与监控：在安防报警系统中用于检测入侵者、监控人群（人群管理中的视觉人工智能）、识别被遗弃的物品，以及提高公共场所和私人财产的监控效率。
3. 零售分析：为自动结账系统、人工智能驱动的库存管理、货架监控（检测缺货商品）和分析顾客流量模式等应用提供动力。
4. 医疗保健：应用于医学图像分析，检测 X 射线、CT 扫描和 MRI 中的肿瘤（使用YOLO11 检测肿瘤）或病变等异常情况，协助放射科医生进行诊断（放射学：人工智能）。
5. 农业：实现精准农业技术，如检测病虫害、杂草、计算果实数量（农业中的计算机视觉）和监测作物健康（农业解决方案中的人工智能）。
6. 制造业：通过检测装配线上产品的缺陷来进行质量控制（制造业质量检测），通过监控危险区域来确保安全，以及实现机器人任务自动化。

工具和培训

开发和部署物体检测模型涉及各种工具和技术。流行的深度学习框架，如 PyTorch和 TensorFlow提供了基础库。OpenCV等计算机视觉库提供了基本的图像处理功能。

Ultralytics 提供最先进的 Ultralytics YOLO模型，包括 YOLOv8和 YOLO11这些模型在速度和准确性方面进行了优化。Ultralytics HUB平台进一步简化了工作流程，为管理数据集、训练自定义模型、执行超参数调整和促进模型部署提供了工具。有效的模型训练通常得益于数据增强策略和技术，如利用ImageNet 等数据集的预训练权重进行迁移学习。