【深度学习】目标检测全解析：定义、数据集、评估指标与主流算法
在计算机视觉领域，目标检测是继图像分类之后的核心任务，它不仅需要识别图像中物体的类别，还需精确定位物体的位置，广泛应用于自动驾驶、安防监控、智能零售等场景。
一、目标检测基础：定义与核心挑战
1. 目标检测的定义
目标检测本质是 “多任务学习”，需同时完成两个任务：
分类任务：识别图像中存在的物体类别（如人、车、狗）；
定位任务：确定每个物体在图像中的空间位置（通常用边界框表示）。
2. 核心挑战
实际场景中，目标检测面临三大关键难题：
目标种类与数量繁多：需处理数百类物体，且单张图像中物体数量不固定；
目标尺度不均：同一类物体可能在图像中呈现极大（如近景车）或极小（如远景行人）的尺寸；
外部环境干扰：物体可能被遮挡（如行人被树木遮挡）、受噪声影响（如模糊图像），导致特征提取困难。
二、目标检测关键数据集：VOC 与 COCO
数据集是目标检测模型训练与验证的基础，目前主流的公开数据集为PASCAL VOC和MS COCO，两者核心参数对比如下：
| 数据集 | 类别数 | 图像数量 | 标注目标数 | 核心特点 |
|---|---|---|---|---|
| PASCAL VOC | 4 大类（如动物、交通工具）+ 20 小类 | VOC 2007：9963 张；VOC 2012：23080 张 | VOC 2007：24640 个；VOC 2012：54900 个 | 入门级数据集，标注简洁，适合基础模型验证 |
| MS COCO | 80 类（细分更细，如猫、狗、公交车等） | 约 20 万张 | 超过 50 万个 | 数据量更大、类别更多，平均每图含 7.2 个目标，更贴近真实场景 |
三、Ground Truth：三种主流标注格式解析
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 / 框架采用不同的标注格式，核心区别在于坐标表示方式和是否归一化：
| 标注格式 | 坐标表示 | 归一化情况 | 适用场景 |
|---|---|---|---|
| YOLO（TXT 格式） | (x, y, w, h)：x/y 为边界框中心点横 / 纵坐标；w/h 为边界框宽 / 高 | 是（x/y/w/h 均除以图像宽 / 高，取值范围 [0,1]） | YOLO 系列算法训练 |
| VOC（XML 格式） | (Xmin, Ymin, Xmax, Ymax)：左上角（Xmin,Ymin）和右下角（Xmax,Ymax）坐标 | 否（直接使用像素值） | R-CNN、SSD 等算法，VOC 数据集标注 |
| COCO（JSON 格式） | (Xmin, Ymin, W, H)：左上角（Xmin,Ymin）坐标；W/H 为边界框宽 / 高 | 否（直接使用像素值） | COCO 数据集标注，支持复杂场景（如实例分割） |
示例：若图像尺寸为 1000×800px，一只狗的边界框左上角 (100,600)、宽 150px、高 100px，则：
YOLO 格式（归一化后）：(0.1, 0.75, 0.15, 0.125)；
VOC 格式：(100, 600, 250, 700)；
COCO 格式：(100, 600, 150, 100)。
四、目标检测评估指标：从 IoU 到 mean AP
评估指标是衡量模型性能的核心，目标检测的评估体系围绕 “边界框准确性” 和 “分类准确性” 展开，关键指标如下：
1. 交并比（IoU：Intersection over Union）
IoU 是衡量边界框定位准确性的核心指标，计算 “预测边界框” 与 “Ground Truth 边界框” 的交集面积与并集面积之比：
2. 样本分类：TP/FP/TN/FN
目标检测中，需结合 “类别预测” 和 “IoU” 判断样本类型，为后续 Precision/Recall 计算奠定基础：
| 指标 | 定义（目标检测场景） | 通俗理解 |
|---|---|---|
| TP（真阳性） | 预测为正样本（存在某物体），且 IoU > 阈值，Ground Truth 确为正样本 | 正确检测到物体 |
| FP（假阳性） | 预测为正样本，但 IoU < 阈值，或 Ground Truth 为负样本 | 误检（把背景当物体） |
| TN（真阴性） | 预测为负样本，Ground Truth 也为负样本 | 正确判断无物体 |
| FN（假阴性） | 预测为负样本，但 Ground Truth 为正样本 | 漏检（没检测到真实物体） |
3. 查准率（Precision）与查全率（Recall）
查准率（Precision）：衡量 “预测为正的样本中，真正为正的比例”，关注 “误检率”：
查全率（Recall）：衡量 “所有真实正样本中，被正确预测的比例”，关注 “漏检率”：
权衡关系：Precision 与 Recall 通常呈负相关 —— 提高 Precision（减少误检）可能导致 Recall 下降（增加漏检），反之亦然。
4. P-R 曲线与平均精度（AP）
P-R 曲线：以 Recall 为横轴、Precision 为纵轴绘制的曲线，曲线下面积越大，模型性能越好；
AP（Average Precision）：P-R 曲线下的面积，是单类别目标检测性能的核心指标。常用11 点法计算：
取 Recall 值为 [0, 0.1, 0.2, ..., 1.0]（共 11 个点）；
对每个 Recall 点，取该 Recall 及以上对应的最大 Precision；
计算 11 个 Precision 值的平均值，即为该类别的 AP。
5. mean AP（mAP）
定义：所有类别的 AP 的算术平均值（mean）；
注意：“mean” 是简单算术平均，因 AP 已考虑单类别的 Precision-Recall 均衡；而 “average” 通常需额外设计规则（如加权），目标检测中常用 mAP 作为全局性能指标。
五、目标检测方法演进：传统到深度学习
目标检测方法经历了 “传统手工特征” 到 “深度学习端到端” 的演进，核心差异在于特征提取方式。
1. 传统方法：滑动窗口法
原理：用固定尺寸 / 比例的窗口在图像上滑动，对每个窗口提取手工特征（如 HOG、SIFT），再用分类器（如 SVM）判断是否为目标；
缺点：
需人工设计窗口尺寸 / 比例，无法适配多样目标；
大量冗余窗口导致计算量巨大；
手工特征鲁棒性差，定位精度低。
2. 深度学习方法：端到端检测
深度学习方法通过 CNN 自动提取特征，解决了传统方法的痛点，核心分为 “Anchor 相关”“两阶段（Two Stage）”“单阶段（One Stage）” 三大方向。
1）Anchor：目标检测的 “先验框”
定义：Anchor（锚点框）是预设在图像上的固定尺寸 / 比例的边界框，用于辅助定位目标；
描述方式：用 “scale（尺度，如面积大小）” 和 “aspect ratio（长宽比，如 1:1、1:2、2:1）” 定义；
位置：由 CNN 输出的 Feature Map 上的每个像素点对应到原图的位置决定。
（2）Anchor-Base vs Anchor-Free
Anchor-Base：
思路：自顶向下，先预设大量 Anchor，再筛选 / 修正 Anchor（类似滑动窗口的优化）；
代表：R-CNN 系列、SSD 系列；
Anchor-Free：
思路：自底向上，无需预设 Anchor，直接从图像特征中预测目标中心和尺寸；
优势：避免 Anchor 设计的人工成本，减少计算量；
代表：YOLOv1、FCOS。
（3）两阶段（Two Stage）算法
核心思想：分两步完成检测 —— 先生成 “候选框（Proposal）”，再对候选框分类和回归；
流程：输入图像 → CNN 提取特征 → 生成 Proposal → ROI Pooling（统一特征尺寸） → 全连接层 → 类别预测 + 边界框回归 → NMS（去除重复框）；
代表算法：
经典系列：R-CNN → SPP-Net → Fast R-CNN → Faster R-CNN（逐步优化速度和精度）；
改进算法：Cascade R-CNN（多阶段回归提升精度）、Guided Anchoring（动态生成 Anchor）；
特点：精度高，但速度较慢（两步计算）。
4）单阶段（One Stage）算法
核心思想：一步完成检测 —— 直接从 CNN 特征中预测类别和边界框，无需候选框生成；
流程：输入图像 → CNN 提取特征 → 类别预测 + 边界框回归 → NMS；
代表算法：
YOLO 系列（v1-v5）：速度快，适合实时场景；
SSD 系列（SSD、DSSD、FSSD）：多尺度特征融合，提升小目标检测精度；
RefineDet：结合两阶段精度和单阶段速度；
特点：速度快（端到端），精度略低于 Two Stage（近年 YOLOv5/v8 已接近 Two Stage 精度）。
六、核心技术：非极大值抑制（NMS）
NMS 是目标检测的 “后处理关键步骤”，用于去除重复的候选框，保留最优检测结果，流程如下：
1.设定置信度阈值（如 0.5）：过滤掉置信度低于阈值的候选框；
2.排序：按候选框的置信度从高到低排序；
3.筛选最优框：
取置信度最高的框 A，加入输出列表，从候选框列表中删除 A；
计算候选框列表中所有框与 A 的 IoU，删除 IoU > 阈值（如 0.5）的框（认为是重复框）；
4.重复步骤 3：直到候选框列表为空，输出列表即为最终检测结果。
总结与展望
本文从基础到进阶，梳理了目标检测的核心知识：
基础层：定义（分类 + 定位）与挑战（多目标、尺度、遮挡）；
数据层：VOC/COCO 数据集与三种标注格式；
评估层：IoU、Precision/Recall、AP/mAP 的计算逻辑；
算法层：从传统滑动窗口到深度学习的 Two Stage/One Stage 算法，及 NMS 后处理。