詳細解釋
在圖像或視頻中定位並識別物體的計算機視覺任務，輸出物體類別和邊界框坐標，是自動駕駛、監控、機器人的核心技術。
核心任務：
- 定位：預測物體的邊界框（x, y, width, height）
- 分類：判斷物體類別（人、車、狗）
- 多目標：一張圖中檢測多個物體
- 多類別：區分不同類型的物體
經典架構：
- R-CNN 系列：兩階段（先提候選區域，再分類）
- Fast R-CNN、Faster R-CNN：速度遞進
- YOLO（You Only Look Once）：單階段，極速
- YOLOv1-v8：實時檢測的代名詞
- SSD：單階段多尺度檢測
- Transformers：DETR、Deformable DETR
評估指標：
- mAP（mean Average Precision）：綜合精度和召回
- IoU（Intersection over Union）：預測框與真實框的重疊度
- FPS：每秒處理幀數（實時性）
應用：
- 自動駕駛：車輛、行人、交通標誌檢測
- 安防：入侵檢測、異常行為
- 零售：貨架分析、自助結賬
- 醫療：病灶定位、細胞計數
- 工業：缺陷檢測、零件計數
挑戰：
- 小目標：遠處物體難以檢測
- 遮擋：物體被部分遮擋
- 尺度變化：同一物體不同大小
- 實時性：高 FPS 與高精度的權衡
與圖像分類的區別：
- 分類：這張圖是什麼（單標籤）
- 檢測：圖中有什麼，在哪裡（多標籤 + 位置）
這是「計算機視覺」的基石任務—— 從「看到」到「識別」的關鍵一步。