2025 年目标检测深入指南

许多行业正在迅速将人工智能 (AI) 解决方案融入运营之中。在当今众多 AI 技术中，计算机视觉是最受欢迎的技术之一。计算机视觉是 AI 的一个分支，它帮助计算机像人类一样观察和理解图像与视频的内容。它让机器能够识别物体、发现模式，并理解所观察到的内容。

全球计算机视觉市场规模预计到 2034 年将增长至 728 亿美元。计算机视觉涵盖多种任务，使视觉 AI 系统能够分析和解读视觉数据。目标检测是计算机视觉应用最广泛、最重要的任务之一。

对象检测专注于在视觉数据中定位和分类对象。例如，如果你向计算机展示一张奶牛图片，计算机就能检测出奶牛并在其周围绘制边界框。这项能力可用于动物监测、自动驾驶汽车和监控等实际应用。

那么，如何执行对象检测？一种方法是使用计算机视觉模型。例如，Ultralytics YOLO11就是一种支持对象检测等计算机视觉任务的模型。

在本指南中，我们将探讨对象检测及其工作原理，还会讨论对象检测和 Ultralytics YOLO11 的一些实际应用。

图 1. 利用 YOLO11 对对象检测的支持来监测牛群。

什么是目标检测？#

对象检测是一项计算机视觉任务，用于识别并定位图像或视频中的对象。它要回答两个关键问题：“图像中有哪些对象？”以及“它们位于什么位置？”

你可以把对象检测看作一个包含两个关键步骤的过程。第一步是对象分类，系统通过已学习的模式识别并标记对象，例如识别猫、汽车或人物。第二步是定位，通过在对象周围绘制边界框来确定对象的位置，指出对象在图像中的所在位置。这两个步骤结合起来，使机器能够检测并理解场景中的对象。

对象检测的独特之处在于，它既能识别对象，又能精确确定对象的位置。其他计算机视觉任务则侧重于不同的目标。

例如，图像分类会为整张图像分配一个标签，而图像分割则能以像素级的粒度理解不同元素。对象检测则兼顾识别和定位，因此特别适合实时统计多个对象等任务。

图 2. 计算机视觉任务对比。

对象识别与对象检测#

在了解各种计算机视觉术语时，你可能会觉得物体识别和目标检测可以互换使用，但它们的用途不同。理解两者区别的一个好方法是比较人脸检测和人脸识别。

人脸检测属于对象检测。它会识别图像中是否存在人脸，并使用边界框标出人脸位置。它回答的问题是：“人脸在图像中的什么位置？”这项技术常用于会自动对焦人脸的智能手机摄像头，或用于检测是否有人出现的安防摄像头。

另一方面，人脸识别属于对象识别。它不仅检测人脸，还会分析独特特征并与数据库进行比较，从而识别这是谁的脸。它回答的问题是：“这个人是谁？”通过 Face ID 解锁手机或由机场安保系统验证身份，背后用的就是这项技术。

简而言之，对象检测用于发现并定位对象，而对象识别则用于分类和辨认对象。

图 3. 对象检测与对象识别的比较。图片由作者提供。

Ultralytics YOLO11 等目标检测模型可以针对人脸检测进行训练（例如使用 WIDER FACE 数据集），但不能用于人脸识别。经过训练的 YOLO11 模型可以高效地识别图像中是否存在人脸，并在其周围绘制边界框，因此适用于监控系统、人群监测和自动照片标记等场景。不过，它无法判断这是谁的脸。YOLO11 可以与专门针对人脸识别训练的模型（例如 FaceNet 或 DeepFace）集成，从而在单个系统中实现检测和识别。

了解目标检测的工作原理#

在讨论对象检测的工作原理之前，我们先来看看计算机如何分析图像。计算机并不像我们一样直接观看图像，而是会将图像拆分成由微小方块组成的网格，这些方块称为像素。每个像素都包含颜色和亮度信息，计算机可以处理这些信息来解读视觉数据。

为了理解这些像素，算法会根据形状、颜色以及彼此之间的距离，将像素组合成有意义的区域。Ultralytics YOLO11 等对象检测模型能够识别这些像素组中的模式或特征。

例如，自动驾驶汽车并不像人类那样看待行人；它检测的是与行人特征相符的形状和模式。这些模型依赖大量带标注的图像数据集进行训练，从而学习汽车、交通标志和行人等物体的独特特征。

典型的对象检测模型由三个关键部分组成：主干网络、颈部和检测头。主干网络从图像中提取重要特征。颈部负责处理和优化这些特征，检测头则负责预测对象位置并对对象进行分类。

优化检测结果并展示输出#

完成初始检测后，系统会采用后处理技术来提高准确率并过滤冗余预测。例如，系统会移除相互重叠的边界框，只保留最相关的检测结果。此外，系统会为每个检测到的对象分配置信度分数（表示模型认为检测到的对象属于某个类别的把握程度的数值），以说明模型对预测结果的确信程度。

最后，系统会通过在检测到的对象周围绘制边界框来呈现输出，并附上预测类别标签和置信度分数。随后，这些结果便可用于实际应用。

热门对象检测模型#

如今有许多计算机视觉模型可供选择，其中一些最受欢迎的是 Ultralytics YOLO 模型。这些模型以速度快、准确率高和用途广泛而闻名。多年来，这些模型不断提速、提高精度，并能够处理更多类型的任务。Ultralytics YOLOv5 的发布让部署变得更加简单，用户可以借助 PyTorch 等框架，让更多人无需深厚的技术专长也能使用先进的视觉 AI。

在此基础上，Ultralytics YOLOv8 扩展了对实例分割、图像分类和姿态估计等任务的支持。YOLO11 进一步提升了多项任务的性能，之后又由 Ultralytics YOLO26 接替。与 YOLOv8m 相比，YOLO11m 的参数量减少了 22%，在 COCO 数据集上的平均精度均值 (mAP) 却更高。简单来说，YOLO11 使用更少的资源，就能更精准地识别物体，运行也更快、更可靠。

无论你是 AI 专家还是刚刚入门，Ultralytics YOLO11 都能为计算机视觉应用提供强大且易用的解决方案。

自定义训练对象检测模型#

训练视觉 AI 模型，就是帮助计算机识别和理解图像与视频。不过，训练过程可能非常耗时。迁移学习无需从头开始，而是利用已经能识别常见模式的预训练模型来加快训练。

例如，Ultralytics YOLO11 已经在包含各种日常对象的 COCO 数据集上完成训练。你可以继续对这个预训练模型进行自定义训练，让它检测原始数据集中可能未包含的特定对象。

要对 Ultralytics YOLO11 进行自定义训练，你需要一个包含待检测物体图像的标注数据集。例如，如果你想构建一个能识别杂货店中不同水果的模型，就需要创建一个包含苹果、香蕉、橙子等已标注图像的数据集。准备好数据集后，就可以训练 YOLO11，并调整批次大小、学习率和轮数等训练设置来优化性能。

采用这种方法，企业可以训练 Ultralytics YOLO11 来检测几乎任何事物，从制造业中的缺陷零件到保护项目中的野生动物物种，都能根据具体需求定制模型。

对象检测的应用#

接下来，我们来看看对象检测的一些实际应用，以及它如何改变各个行业。

自动驾驶中的危险检测#

自动驾驶汽车利用对象检测等计算机视觉任务来安全行驶并避开障碍物。这项技术帮助汽车识别行人、其他车辆、坑洼和道路危险，从而更好地理解周围环境。通过持续分析周边环境，汽车可以快速做出决策并安全地穿行于车流中。

图 4. 使用 Ultralytics YOLO11 通过对象检测来检测坑洼的示例。

医疗保健中的医学影像分析#

X 射线、MRI、CT 扫描和超声等医学影像技术可以生成高度清晰的人体图像，帮助诊断和治疗疾病。这些扫描会产生大量数据，放射科医生和病理学家等医生必须仔细分析这些数据以检测疾病。不过，逐一详细查看每张图像可能十分耗时，人类专家有时也会因疲劳或时间限制而遗漏细节。

Ultralytics YOLO11 等对象检测模型可以协助医生，以高准确率自动识别医学扫描中的关键特征，例如器官、肿瘤或异常情况。经过自定义训练的模型可以用边界框标出值得关注的区域，帮助医生更快地聚焦潜在问题。这能减轻工作量、提高效率并快速提供洞察。

图 5. 使用 Ultralytics YOLO11 分析医学图像。

通过人员和异常检测提升安全性#

对象跟踪是 Ultralytics YOLO11 支持的一项计算机视觉任务，可实现实时监控并提升安全性。它在对象检测的基础上识别对象，并持续跟踪对象在各帧之间的移动情况。这项技术广泛应用于监控系统，以提高各种环境中的安全性。

例如，在学校和日托中心，对象跟踪可以帮助监测儿童，防止他们走失。在安防应用中，对象跟踪对于检测受限区域内的入侵者、监测人群是否过度拥挤或存在可疑行为，以及在检测到未经授权的活动时发送实时警报，都能发挥重要作用。Ultralytics YOLO11 驱动的跟踪系统通过追踪移动中的对象来增强安全性、实现监控自动化，并能更快地应对潜在威胁。

对象检测的优缺点#

以下是对象检测为各行各业带来的一些主要优势：

• 自动化：对象检测有助于减少监控闭路电视录像等任务对人工监督的需求。
• 可与其他 AI 模型配合使用：它可以与人脸识别、动作识别和跟踪系统集成，以提高准确率和功能性。
• 实时处理：许多对象检测模型（例如 Ultralytics YOLO11）速度快、效率高，非常适合需要即时结果的实时应用。

这些优势展现了对象检测对不同应用场景的影响，但也必须考虑其实施过程中涉及的挑战。以下是一些主要挑战：

• 数据隐私：使用视觉数据，尤其是在监控或医疗保健等敏感领域，可能会引发隐私问题和安全顾虑。
• 遮挡：在目标检测中，遮挡是指物体被部分挡住或隐藏，导致模型难以准确检测和分类物体。
• 计算开销大：高性能模型通常需要强大的 GPU（图形处理器）进行处理，因此实时部署成本较高。

要点#

目标检测是计算机视觉中广泛使用的一种工具，可以帮助机器检测并定位图像和视频中的物体。从自动驾驶汽车到医疗保健，许多领域都在使用目标检测，让任务变得更简单、更安全、更高效。借助 Ultralytics YOLO11 等模型，企业可以轻松创建自定义目标检测模型，用于构建专业的计算机视觉应用。

目标检测虽然面临一些挑战，例如隐私问题和物体被遮挡，但它仍是一项可靠的技术。它能够自动化任务、实时处理视觉数据，并与其他视觉 AI 工具集成，因此是现代视觉 AI 系统的重要组成部分。

如需了解更多信息，请访问我们的 GitHub 代码库，并加入我们的社区交流。在我们的解决方案页面中，探索自动驾驶汽车中的 AI和农业中的计算机视觉等领域的创新。查看我们的 YOLO 许可选项，开启你的视觉 AI 项目。