Object Detection

目标检测是一项计算机视觉任务，目的是在图像或视频帧中找出已知类别的每个实例，并报告其位置。对于每个对象，模型都会返回一个边界框、类别标签和置信度分数，因此一张街景照片会变成一个带标签的框列表，每辆车、每个人或每个交通灯对应一个框。这个列表是计数、测量、跟踪和机器人控制的输入。

检测器会返回什么#

每个检测结果包含三部分。边界框可以存储为角点坐标 (x1, y1, x2, y2)，也可以存储为中心点加宽度和高度，单位为像素或相对于图像尺寸归一化后的值。类别是模型标签集中的索引，例如 COCO 数据集的 80 个类别。分数介于 0 和 1 之间，用于表示边界框中包含该类别目标的可能性；应用只保留高于置信度阈值的检测结果，在漏检和误报之间进行权衡。

from ultralytics import YOLO

# Load a YOLO26 nano detector pretrained on the 80 COCO classes
model = YOLO("yolo26n.pt")

# Run detection on one image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Each detection carries a class, a confidence score, and a box in pixels
for box in result.boxes:
    name = result.names[int(box.cls)]
    corners = box.xyxy[0].int().tolist()
    print(f"{name} {box.conf.item():.2f} {corners}")

每一行打印结果都对应一个检测到的对象：对象的类别名称、置信度，以及左上角和右下角的像素坐标。

目标检测器如何工作#

现代检测器是由三个阶段组成的神经网络。主干网络通常是卷积网络或视觉 Transformer，可将图像转换为特征图。特征金字塔网络等颈部网络会融合不同尺度的特征图，从而同时表示大小对象。随后，检测头会在数千个位置预测类别分数和框坐标。相邻位置可能会针对同一对象触发，因此原始输出中会有许多重叠候选框；大多数流水线会丢弃低分框，并运行非极大值抑制 (NMS)，为每个对象保留一个框。像 DETR 这样的端到端检测器经过训练后会为每个对象恰好输出一个预测，因此可以跳过这一步。

检测器设计的不同之处在于如何寻找候选框。两阶段检测器（例如 Faster R-CNN）会先提出可能包含对象的区域，然后对每个区域进行分类和细化。单阶段检测器（例如 2015 年推出的 YOLO）会在一次前向计算中预测所有框和类别，使实时检测成为现实。早期单阶段模型会从预定义锚框回归偏移量，而无锚框检测器则直接预测网格点到框四条边的距离。YOLO26是一种单阶段无锚框检测器，默认会执行 NMS；传入 nms=False 可切换到一对一检测头，直接输出最终框而无需执行 NMS。

训练与评估#

检测器通过学习带有对象框和类别标注的图像来训练。在训练过程中，标签分配步骤会决定哪些预测负责检测每个已标注对象；损失函数将分类项与边框回归项结合，后者通常基于交并比 (IoU)，即预测框与标注框之间的重叠程度。评估时也会使用 IoU：当检测类别匹配且检测框与标注框的 IoU 达到阈值时，该检测才算正确。随后，平均精度均值 (mAP)会汇总所有置信度级别和类别的精确率与召回率。COCO 报告在 IoU 为 0.5 时计算的 mAP₅₀，并将平均 IoU 阈值为 0.50 到 0.95 的 mAP_50-95作为主要指标。VLM Leaderboard使用 mAP₅₀ 比较仅根据类别名称检测对象的视觉语言模型。YOLO26 在这些标签上训练之前，Ultralytics Platform 会使用这类模型自动标注检测数据集。

实际应用#

• 自动驾驶：驾驶辅助和自动驾驶系统会在每一帧摄像头画面中检测车辆、行人、骑行者和交通标志，跟踪和运动规划则会根据这些框采取行动。
• 零售：货架摄像头会检测商品和空货位，以标记缺货商品；自助结账系统则会检测顾客放在收银台上的商品。
• 制造业质检：生产线摄像头会检测划痕、凹痕和缺失部件，以便在有缺陷的零件经过时将其剔除。

目标检测与相关任务#

• 图像分类为整张图像分配一个标签，但不提供位置信息。
• 实例分割用像素掩码勾勒出每个检测对象的轮廓，精确贴合对象形状。
• 有向边界框为每个框增加旋转角度，使框能贴合倾斜对象，例如航拍图像中的船只和车辆。
• 目标跟踪会关联视频帧中同一对象的检测结果，并为其分配一个持久 ID。
• 3D 目标检测会预测 3D 空间中的框，并用框中心、以米为单位的长宽高以及朝向角来描述该框。