2、目标检测基础：定义、核心概念与评估指标

目标检测是计算机视觉中最具挑战性也最具实用价值的任务之一。与图像分类只回答“这张图里有什么”不同，目标检测需要回答“图里有什么物体、它们在哪里、分别是什么类别”。从自动驾驶感知、工业质检、安防监控到医学影像分析，目标检测都是底层核心技术。本章将系统梳理目标检测的定义、与图像分类的本质区别，并深入讲解边界框（Bounding Box）、交并比（IoU）和平均精度均值（mAP）等核心概念与评估指标，为后续学习YOLO系列算法打下坚实基础。

目标检测核心概念关系图 目标检测 图像分类 输出：类别标签 粒度：整张图像 目标检测 输出：类别 + 位置 粒度：多个物体 边界框 (BBox) 表示：x, y, w, h 或 x1,y1,x2,y2 IoU (交并比) 衡量预测框与真值框重叠度 mAP (平均精度均值) 综合精度与召回率的评估指标 评估流程： 预测框 → 计算IoU → 判断TP/FP/FN → 绘制PR曲线 → 计算AP → 求mAP 图：目标检测核心概念关系与评估流程总览

2.1 目标检测的定义与任务本质

目标检测（Object Detection）的任务可以形式化描述为：给定一张输入图像 I，算法需要输出一组检测结果，每个结果包含两个核心信息——物体类别（Class）和物体位置（Location）。位置通常用一个紧贴物体的矩形框（即边界框）来表示。与图像分类相比，目标检测不仅要回答“这是什么”，还要回答“它在哪里”。

从数学角度看，目标检测是一个多任务学习问题：它同时包含分类子任务（判断框内物体属于哪个类别）和回归子任务（预测框的坐标位置）。这两个子任务共享特征提取网络，但在输出层分叉，这也是YOLO系列算法设计的基本思想。

核心理解：目标检测的本质是“定位 + 分类”的组合。定位精度决定了框是否贴合物体，分类精度决定了类别判断是否正确。两者缺一不可，且相互影响——如果框定位不准，分类器看到的特征就会被背景干扰，导致分类错误。

2.1.1 与图像分类的对比

对比维度 图像分类 目标检测
输出内容 单一类别标签（如“猫”） 多个“类别 + 边界框”组合
物体数量 假设图像中只有一个主体 图像中可能有多个、多类物体
空间信息 不关心物体位置 必须精确定位每个物体
评估方式 Top-1 / Top-5 准确率 mAP（综合精度与召回率）
典型模型 ResNet、VGG、EfficientNet YOLO、Faster R-CNN、SSD

图像分类的评估相对简单——预测对了就算对，错了就算错。但目标检测的评估要复杂得多：一个预测框与真实框只有部分重叠时，算对还是算错？重叠多少才算正确？这就引出了IoU的概念。

2.2 边界框（Bounding Box）

边界框是目标检测中最基础的表示形式。一个边界框通常用两种格式之一表示：

  • 中心点格式：(x_center, y_center, width, height)，即框中心点的坐标以及框的宽和高。YOLO系列使用这种格式，且坐标通常归一化到[0,1]区间。
  • 角点格式：(x1, y1, x2, y2)，即框左上角和右下角的坐标。Faster R-CNN等两阶段检测器常用这种格式。

在YOLO中，边界框的预测值通常包含5个分量：(tx, ty, tw, th, confidence)。其中tx, ty是相对于网格单元的偏移量，tw, th是相对于锚框（Anchor）的宽高缩放系数，confidence表示该框包含物体的置信度。这种设计使得模型预测的是相对值而非值，大大降低了回归难度。

经验提醒：在数据标注和预处理阶段，务必统一边界框的坐标格式。YOLO训练时使用归一化的中心点格式（值在0~1之间），而可视化时通常需要转换为角点格式并乘以图像宽高。格式混用是初学者最常见的错误之一。

2.3 IoU（交并比）

IoU（Intersection over Union）是衡量两个边界框重叠程度的指标，定义为两个框的交集面积与并集面积之比：

IoU = Area(交集) / Area(并集)

IoU的取值范围在[0, 1]之间：0表示两个框完全不重叠，1表示完全重合。在目标检测中，IoU用于两个关键场景：

  1. 训练阶段：判断预测框与真实框的匹配程度，用于计算损失函数和分配正负样本。
  2. 推理阶段：通过NMS（非极大值抑制）去除冗余的预测框，以及判断预测是否正确。

在实际评估中，通常设定一个IoU阈值（如0.5），当预测框与真实框的IoU大于该阈值时，该预测被视为正确检测（True Positive）。阈值越高，对定位精度的要求越严格。

风险说明：IoU阈值的选择会显著影响评估结果。COCO数据集使用0.5:0.95的IoU范围（步长0.05）计算mAP，而PASCAL VOC使用固定的0.5。同一个模型在不同IoU阈值下的mAP差异可能很大，对比模型性能时必须使用相同的评估协议。

2.4 mAP（平均精度均值）

mAP（mean Average Precision）是目标检测领域最常用的综合评估指标。要理解mAP，需要先理解几个基础概念：

2.4.1 基础概念：TP、FP、FN

术语 全称 含义
TP True Positive 预测框与真实框IoU > 阈值，且类别正确
FP False Positive 预测框与所有真实框IoU均 < 阈值，或类别错误
FN False Negative 真实框没有被任何预测框匹配到（漏检）

基于TP、FP、FN，可以计算两个核心指标：

  • 精确率（Precision） = TP / (TP + FP)，衡量预测为正的样本中有多少是真正正确的。
  • 召回率（Recall） = TP / (TP + FN)，衡量所有真实正样本中有多少被正确找出来了。

2.4.2 AP与mAP的计算流程

AP（Average Precision）是针对单个类别计算的指标，其计算过程如下：

  1. 将所有预测框按置信度从高到低排序。
  2. 依次遍历每个预测框，计算其与真实框的IoU，判断是TP还是FP。
  3. 每遍历一个预测框，计算当前的Precision和Recall值。
  4. 以Recall为横轴、Precision为纵轴绘制PR曲线。
  5. 计算PR曲线下的面积，即为AP值。

mAP则是所有类别AP值的平均值：

mAP = (1/N) * Σ AP_i   （i = 1, 2, ..., N，N为类别总数）

在COCO评估协议中，mAP通常指AP@[0.5:0.95]，即在多个IoU阈值（0.5, 0.55, ..., 0.95）下分别计算AP再取平均。这个指标对定位精度非常敏感，是当前目标检测领域最权威的评估标准。

关键理解：mAP同时考虑了精确率和召回率，避免了单一指标带来的偏差。例如，一个模型如果只输出一个高置信度的预测框，可能Precision很高但Recall很低；反之，如果输出大量预测框，Recall可能很高但Precision很低。mAP通过PR曲线综合了两者的权衡。

2.5 案例拆解：一个实际检测场景的评估过程

假设我们有一个交通场景检测任务，需要检测“汽车”和“行人”两类物体。测试图像中共有3个真实物体：两辆汽车（GT1、GT2）和一个行人（GT3）。模型输出了4个预测框，按置信度从高到低排列如下：

预测框 类别 置信度 与GT的IoU 判定
P1 汽车 0.92 与GT1 IoU=0.85 TP
P2 汽车 0.78 与GT2 IoU=0.72 TP
P3 行人 0.65 与GT3 IoU=0.30 FP（IoU < 0.5）
P4 汽车 0.40 与GT1 IoU=0.20 FP（重复检测）

设定IoU阈值=0.5，我们逐步计算：

  • 遍历P1（置信度最高）：TP，累计TP=1，FP=0，Precision=1/1=1.0，Recall=1/3≈0.33
  • 遍历P2：TP，累计TP=2，FP=0，Precision=2/2=1.0，Recall=2/3≈0.67
  • 遍历P3：FP，累计TP=2，FP=1，Precision=2/3≈0.67，Recall=2/3≈0.67
  • 遍历P4：FP，累计TP=2，FP=2，Precision=2/4=0.5，Recall=2/3≈0.67

最终PR曲线上的关键点为：(0.33, 1.0)、(0.67, 1.0)、(0.67, 0.67)、(0.67, 0.5)。AP的计算会对PR曲线进行平滑处理（取每个Recall点对应的最大Precision），然后计算曲线下面积。在本例中，AP ≈ 0.67（即2/3）。

复盘经验：从上述案例可以看出，P3虽然类别正确但定位偏差过大（IoU仅0.30），被判定为FP。这说明目标检测中“定位精度”和“分类正确”同等重要。在实际调优中，如果发现FP较多，需要检查是定位不准还是分类混淆；如果是定位问题，可能需要调整锚框尺寸或增加回归损失的权重。

2.6 常见误区与总结

在学习和使用目标检测评估指标时，初学者常犯以下错误：

  • 混淆IoU阈值：不同数据集使用不同的IoU阈值，对比结果时必须统一标准。
  • 忽略置信度排序：AP计算依赖置信度排序，如果排序混乱，PR曲线会失真。
  • 只看mAP不看单类AP：mAP是全局指标，但某些类别（如小物体）可能表现很差，需要单独分析。
  • 训练集和验证集使用不同评估协议：这会导致模型选择失误。
← 上一章 📖 返回目录 下一章 →