2026_DesignAI/03-computer-vision/02.2-object-detection.md

## 学习目标

理解目标检测与图像分类的区别

掌握YOLO系列的发展脉络

了解目标检测在设计中的应用

### 从分类到检测

#### 图像分类

`输入图像`` → CNN → ``类别标签`\
`"``猫``"  (``单标签``)`

#### 目标检测

`输入图像`` → CNN → [``位置``, ``类别``]`\
`[``边界框``, "``猫``", 0.95]`\
`[``边界框``, "``狗``", 0.87]`

**核心差异**：检测需要同时解决"是什么"和"在哪里"

### 检测器类型

#### Two-Stage检测器

`第一阶段：候选区域生成`\
`    RPN (Region Proposal Network)`\
\
`第二阶段：分类与回归`\
`    ``对每个候选框进行精确预测`\
\
`代表：``R-CNN, Fast R-CNN, Faster R-CNN`

特点：准确率高，速度慢

#### One-Stage检测器

`直接预测：一次性输出所有边界框和类别`\
\
`代表：``YOLO, SSD, ``RetinaNet`

特点：速度快，实时性好

### YOLO系列演进

#### YOLO v1 (2016)

**核心思想**：将检测转化为回归问题

`输入图像`` → S×S``网格`` → ``每个网格预测``B``个边界框`

创新点： - 端到端训练 - 实时检测 (45 FPS)

#### YOLO v2-v4

  ----------------------------------
  版本   主要改进
  ------ ---------------------------
  v2     Batch Normalization, 锚框

  v3     多尺度预测

  v4     CSPDarknet, PANet

  v5     PyTorch实现，工程优化

  v8     重新设计，更易用
  ----------------------------------

#### YOLO工作流程

##### 1. 输入图像 (640×640)

`↓`

##### 2. Backbone特征提取

`↓`

##### 3. Neck特征融合 (FPN + PAN)

`↓`

##### 4. Head检测输出

`- ``边界框坐标`

`- ``目标置信度`

`- ``类别概率`

### 评估指标

#### IoU (交并比)

`IoU`` = ``预测框与真实框的交集`` / ``并集`\
\
`      ┌─────────┐`\
`      │ ``预测框``  │`\
`      │  ┌───┐ │`\
`      │  │``真`` │ │`\
`      └──┼──┼─┘`\
`         └───┘`\
\
`IoU`` = ``重叠面积`` / ``总面积`

### mAP (平均精度均值)

在不同IoU阈值(0.5, 0.75...)下的平均精度

综合衡量定位准确度和分类准确度

### COCO数据集

80类物体，包含： - 目标检测 - 实例分割 - 关键点检测 - 图像说明

## 设计领域应用

建筑识别

`卫星图像`` → YOLO → ``建筑物边界框`\
`    ↓`\
`自动生成建筑轮廓`

场景分析

`室内照片`` → ``目标检测`` → ``家具识别`\
`    ↓`\
`空间布局分析`

遗产保护

`无人机影像`` → ``建筑病害检测`\
`    ↓`\
`自动化巡检与记录`

## 思考与练习

1.Two-Stage和One-Stage检测器的权衡是什么？

2.为什么YOLO能实现实时检测？

3.目标检测在规划设计中有哪些潜在应用？

## 关键术语

  -------------------------------------------------------
  中文           英文           说明
  -------------- -------------- -------------------------
  边界框         Bounding Box   矩形目标框

  锚框           Anchor Box     预定义的候选框

  非极大值抑制   NMS            去除重复检测

  交并比         IoU            Intersection over Union

  平均精度       AP             Average Precision
  -------------------------------------------------------

## 延伸阅读

[Ultralytics YOLO文档](https://docs.ultralytics.com/)

[COCO数据集](https://cocodataset.org/) \# 02.3 语义分割与空间分析