M07.04｜物件偵測與影像辨識：從分類到定位

一句話搞懂

物件偵測比影像分類多做了一件事：不只告訴你圖裡有什麼，還要在每個物件上畫出精確的邊界框——這讓它能從「理解一張靜態圖片」升級到「追蹤視頻中每個移動目標的即時位置」，成為工廠監控、自駕車、安防系統的核心技術。

白話解說

分類、偵測、分割：能力層次的差別

要理解物件偵測的價值，先明確它和影像分類的差異。假設有一張停車場的監控截圖，裡面有三輛車、兩個行人和一台摩托車：

影像分類只能說「這張圖有車」或最多「這張圖有車和行人」，無法告訴你有幾個、在哪裡。就像問「冰箱裡有什麼食物」，有人只回答「有蔬菜和肉」——你知道食材種類，但不知道數量和位置。

物件偵測則能說：「左上角有一台白色轎車（邊界框：x1,y1,x2,y2），中央有一個行人（邊界框：…），右下角有一輛摩托車（邊界框：…）……」它對每個偵測到的目標輸出一個邊界框（Bounding Box），標示目標的位置和大小，以及目標的類別和置信度分數。這種「定位 + 分類」的組合，讓物件偵測能驅動需要空間定位的應用：計算人群密度、監控違規停車、引導機械臂抓取特定物品。

語義分割則進一步到每個像素的層次，但物件偵測在大多數實際應用場景中已足夠，且計算效率遠高於分割，是現實部署中最廣泛使用的 CV 任務。

衡量偵測品質的核心指標：IoU 和 mAP

要評估一個偵測結果「夠不夠好」，需要兩個核心指標。

IoU（Intersection over Union，交並比） 衡量模型預測的邊界框和真實標注框的重疊程度。計算方式非常直觀：兩個矩形框的交集面積除以它們的聯集面積。完全重合時 IoU = 1.0；完全不重疊時 IoU = 0；兩個框只有一半重疊時 IoU 約 0.33（取決於形狀）。業界常用的閾值是 IoU ≥ 0.5：如果模型預測的框和真實框的 IoU 超過 0.5，就算偵測正確（True Positive）；低於 0.5 則算錯誤（False Positive）。更嚴格的評估使用 IoU ≥ 0.75 或 COCO 評估標準（平均 IoU 0.5 到 0.95 之間多個閾值）。

mAP（mean Average Precision，平均精確度均值） 是物件偵測最常用的綜合評估指標。理解 mAP 需要先理解 AP（Average Precision）：針對某一個類別，把所有偵測結果按置信度分數從高到低排列，逐步計算精確率（Precision）和召回率（Recall），繪製出 P-R 曲線，P-R 曲線下的面積就是這個類別的 AP。mAP 是所有類別 AP 的平均值。[email protected] 表示在 IoU 閾值為 0.5 時計算的 mAP，COCO mAP（mAP@[0.5:0.95]）是更嚴格的標準，計算 IoU 從 0.5 到 0.95（每隔 0.05）十個閾值的 mAP 平均值。

一個在業界稱得上「實用」的物件偵測模型，通常 COCO mAP 需要達到 40 以上（滿分 100），但具體門檻依任務複雜度和場景特性而異。

兩種主要偵測架構路線

物件偵測的架構在過去十年分成兩大流派，各有不同的速度/精度取捨。

兩階段偵測器（Two-Stage Detectors） 以 Faster R-CNN 為代表。顧名思義，分兩個階段：第一階段，區域候選網路（Region Proposal Network, RPN） 在圖像的 Feature Map 上快速掃描，提出幾百個「這裡可能有物件」的候選框（Region of Interest, RoI）；第二階段，對每個候選框做精確的分類和邊界框微調。兩階段的好處是精度高（因為第二階段可以仔細分析每個候選框），缺點是速度相對慢（需要處理幾百個候選框）。Faster R-CNN 在 COCO mAP 上的表現依然是業界頂尖水準，適合對精度要求高、可接受較高延遲的場景（如醫療影像分析、衛星影像判讀）。

單階段偵測器（Single-Stage Detectors） 以 YOLO（You Only Look Once） 為代表。YOLO 的核心思想是「一次前向傳播搞定一切」：將圖像分割成 S×S 的格子（Grid），每個格子同時預測固定數量的邊界框和類別機率。這個設計讓 YOLO 只需要對圖像做一次神經網路前向計算，就能輸出所有偵測結果，速度可達 30–100+ FPS，滿足即時應用需求。早期 YOLO（v1, 2016）在小物件偵測上精度不足，但經過多次迭代改進（v3, v4, v5, v8），精度已大幅提升，目前 YOLOv8 在速度和精度的平衡點上是業界標準的選擇。

YOLO 系列的演進邏輯

了解 YOLO 的演進，能幫助你在選型時做出正確決策：

YOLOv1（2016）：開創性地提出單階段偵測的概念，速度驚人（45 FPS），但對小物件和密集場景表現差，因為每個格子只預測兩個框。

YOLOv3（2018）：引入多尺度預測（三種不同大小的特徵圖），大幅改善小物件偵測效果；引入錨點框（Anchor Box）機制，讓每個格子預測的框更準確。成為業界廣泛使用的實用版本。

YOLOv5（2020）：在 PyTorch 上重新實現，工程友善、部署簡單，有完整的模型大小系列（n/s/m/l/x），是台灣企業最廣泛部署的版本。

YOLOv8（2023，Ultralytics）：引入無錨點（Anchor-Free）設計，取消預先定義錨點框的限制，直接預測物件中心點和框的大小，讓模型對各種形狀的物件更靈活；同時統一了偵測、語義分割、實例分割、姿態估計四種任務的訓練接口，是目前最推薦的起點。

後處理：非極大值抑制（Non-Maximum Suppression, NMS） 是所有偵測器都需要的步驟：模型通常對同一個物體生成多個重疊的候選框，NMS 的作用是保留置信度最高的框，刪除與它 IoU 超過閾值的重複框，確保每個物體最終只輸出一個偵測結果。

應用場景

常見誤區

誤區 1：「用最新版的 YOLO 就一定比舊版效果好，直接用 YOLOv8 就對了」

新版 YOLO 通常在標準 Benchmark（COCO 資料集）上的指標確實更好，但你的業務場景不一定是 COCO 資料集。決定使用哪個版本應考慮：部署環境的計算資源（邊緣設備可能只能跑 YOLOv5n 或更輕量的版本）、遷移學習的預訓練模型可用性（某些特定領域如醫療或衛星影像，可能有在特定資料集上預訓練好的 YOLOv5 模型，直接微調效果更好）、以及既有系統的工程整合成本。不要盲目追新，應根據部署條件和資源限制選擇合適的版本，然後在自己的資料集上做基準測試，實際效果才是唯一的評判標準。

誤區 2：「IoU 閾值設 0.5 就夠了，模型夠用了」

IoU 閾值 0.5 是一個寬鬆的標準，足以讓邊界框有大約一半的重疊就算正確。但在許多精度要求高的場景中，0.5 的 IoU 可能遠遠不夠。例如：醫療影像中腫瘤的精確邊界對手術規劃至關重要；工廠中需要機械臂按照偵測結果抓取零件，若邊界框偏差太大，機械臂會抓空。這些場景應使用更嚴格的 IoU 閾值（0.75 或 0.9）評估，並觀察 COCO mAP（同時考慮 0.5 到 0.95 的所有閾值）。另外，IoU 本身並不能告訴你模型在小物件上的表現——一個 COCO mAP 很高的模型，在偵測小物件（如遠距離行人）上可能表現差。評估時應拆分大中小物件的 AP，確保符合實際需求。

誤區 3：「物件偵測模型訓練好後就能直接部署，不需要再調整」

訓練好的偵測模型在研究環境（GPU 伺服器）上運行順暢，不代表可以直接部署到生產環境。幾個常見的部署挑戰：速度與硬體匹配——模型在 A100 GPU 上跑 100 FPS，但生產線使用工業相機 + Jetson Nano，可能只有 5 FPS，需要做模型量化（INT8）或架構精簡；持續的準確率衰退（Model Drift）——隨著生產環境的光線條件、物件外觀、背景雜訊發生變化，模型的準確率會逐漸下降，需要定期補充新資料重新訓練（Active Learning）；閾值調優——訓練時預設的置信度閾值（通常 0.5）在實際場景中未必最佳，生產環境中的 False Positive（誤報）和 False Negative（漏報）的成本不同，需要根據業務邏輯調整閾值。部署物件偵測系統，MLOps（機器學習運維） 和持續監控是長期維護品質不可缺少的部分。

小練習

練習 1：計算 IoU 並判斷偵測結果

假設在一張 100×100 像素的圖像中，有一個真實的狗的邊界框（Ground Truth）：

• 真實框：左上角 (20, 30)，右下角 (70, 80)（面積 = 50×50 = 2500）

模型輸出了以下三個候選偵測結果，請計算每個候選框與真實框的 IoU，並判斷哪個算偵測成功（IoU ≥ 0.5）：

• 候選框 A：左上角 (25, 35)，右下角 (75, 85)
• 候選框 B：左上角 (50, 60)，右下角 (90, 95)
• 候選框 C：左上角 (10, 15)，右下角 (40, 55)

練習 2：選擇合適的偵測架構

台灣一家農業科技新創正在為芒果農場開發三個不同的 AI 偵測應用。請為每個應用推薦最合適的偵測架構策略，並說明選擇原因：