跳到主要内容

检测实战

本节定位

真正做检测项目时，困难往往不只是模型本身。
更常见的问题是：

  • 标注怎么做
  • 正负样本怎么定义
  • 小目标怎么评估
  • 检测框到底算不算对

所以这一节的重点，是把一个最小检测项目从问题定义走到评估闭环。

学习目标​

  • 学会定义一个最小目标检测项目
  • 理解检测项目里的标注、框匹配和评估逻辑
  • 通过可运行示例建立 IoU 驱动的评估直觉
  • 建立检测项目的展示骨架

先建立一张地图​

如果你刚学完检测概述、经典检测器和 YOLO，这一节最自然的续接就是：

  • 前面你已经知道检测任务在解决什么
  • 这一节开始问“如果把它做成一个真的项目，第一步到底该怎么下手”

所以这节真正重要的不是新模型，而是：

  • 类别定义
  • 标注规范
  • 评估口径
  • 错例复盘

检测实战这节最适合新人的理解顺序不是“先训模型”，而是先看清项目闭环：

所以这节真正想解决的是：

  • 检测项目到底该怎么推进
  • 哪些地方比模型结构更容易先出问题

一、一个检测项目最先要定什么？​

1.1 类别边界​

例如安防场景里你可能只先做：

  • person
  • helmet

而不是一开始就把所有目标都做进来。

1.2 标注规范​

必须先说清：

  • 框紧不紧
  • 遮挡怎么标
  • 小目标怎么算

1.3 评估标准​

至少要明确：

  • IoU 阈值
  • 召回 / 精确率

1.4 新人第一次做检测项目，题目怎么选更稳？​

更稳的题目通常有这几个特点：

  • 类别数不要太多
  • 目标定义清楚
  • 误检和漏检能肉眼看懂

所以第一次做项目时，
“少类别、强定义、易解释”通常比“任务更炫”更重要。

1.5 这一步为什么比“先选模型”更重要？​

因为如果你最开始这些东西没定稳：

  • 类别边界
  • 标注规则
  • 框口径
  • IoU 阈值

后面你做再多模型比较，也可能是在混乱标准上空转。

二、先跑一个最小匹配评估示例​

ground_truth = [
    {"label": "person", "box": (10, 10, 30, 50)},
    {"label": "helmet", "box": (14, 8, 24, 18)},
]

predictions = [
    {"label": "person", "box": (11, 12, 31, 48), "score": 0.92},
    {"label": "helmet", "box": (15, 9, 23, 17), "score": 0.81},
    {"label": "helmet", "box": (40, 40, 50, 50), "score": 0.30},
]


def iou(box_a, box_b):
    ax1, ay1, ax2, ay2 = box_a
    bx1, by1, bx2, by2 = box_b

    inter_x1 = max(ax1, bx1)
    inter_y1 = max(ay1, by1)
    inter_x2 = min(ax2, bx2)
    inter_y2 = min(ay2, by2)

    inter_w = max(0, inter_x2 - inter_x1)
    inter_h = max(0, inter_y2 - inter_y1)
    inter_area = inter_w * inter_h

    area_a = (ax2 - ax1) * (ay2 - ay1)
    area_b = (bx2 - bx1) * (by2 - by1)
    union = area_a + area_b - inter_area
    return inter_area / union if union else 0.0


matches = []
for pred in predictions:
    best_iou = 0.0
    best_gt = None
    for gt in ground_truth:
        if gt["label"] != pred["label"]:
            continue
        cur_iou = iou(pred["box"], gt["box"])
        if cur_iou > best_iou:
            best_iou = cur_iou
            best_gt = gt
    matches.append(
        {
            "label": pred["label"],
            "score": pred["score"],
            "best_iou": round(best_iou, 4),
            "matched": best_iou >= 0.5,
        }
    )

print(matches)

2.1 这段代码最重要的地方是什么？​

它让你看到检测评估不是：

  • 分类对了就行

而是：

  • 类别对
  • 框也要足够准

2.2 为什么这就是很多检测项目的核心判断？​

因为真实检测结果好不好，
最终常常就体现在：

  • 匹配阈值
  • 框质量

2.3 为什么检测项目特别需要“误检 / 漏检”视角？​

因为检测系统很少只有“对或错”两种结果。
更常见的是：

  • 框偏了
  • 目标漏了
  • 多报了一个框

这也是为什么检测项目展示时，最好不要只放几张成功样例。

2.4 第一次做检测项目时，最值得先分哪几类错？​

一个很实用的错误分类方式是：

  1. 漏检
    明明有目标，系统没报出来。

  2. 误检
    没目标也报了。

  3. 定位不准
    类别对了，但框偏差太大。

这三类一分开，你后面很多迭代方向就会立刻更清楚。

三、检测项目最容易踩的坑​

3.1 标注标准不一致​

这会直接把训练和评估一起拖乱。

3.2 小目标和遮挡没单独分析​

很多系统在这些场景下会明显掉表现。

3.3 只展示一两张漂亮图​

真实项目更该展示：

  • 哪些情况容易漏检
  • 哪些情况容易误检

四、一个新人可直接照抄的推进顺序​

更建议这样做：

  1. 先定类别和标注规则
  2. 再抽样检查标注质量
  3. 先做一个最小 baseline
  4. 再统一 IoU / mAP 评估口径
  5. 最后挑典型漏检 / 误检做分析

4.1 如果把它做成作品集，最值得展示什么？​

比起只展示一张“预测效果图”，更值得展示的是：

  • 类别定义和标注规则
  • baseline 的 IoU / mAP
  • 一组典型误检和漏检案例
  • 你如何解释这些失败
  • 下一步你会优先改数据、阈值还是模型

小结​

这节最重要的是建立一个项目意识：

检测项目的关键，不只是模型名，而是类别定义、标注规范和框级评估方法是否清楚。

这节最该带走什么​

  • 检测项目首先是标注和评估项目，其次才是模型项目
  • IoU 阈值和标注口径会直接影响你怎么判断“检测对没对”
  • 误检 / 漏检分析是检测项目最值得展示的部分之一

如果再压成一句话，那就是：

检测项目真正的难点，往往不是把模型跑起来，而是把“什么算检对了”这件事定义清楚。

练习​

  1. 调整 IoU 阈值到 0.7，看看匹配结果会怎么变。
  2. 想一想：为什么检测项目比分类项目更依赖清晰标注规范？
  3. 如果项目里总漏小目标，你会优先检查数据、输入分辨率还是模型结构？
  4. 你会如何把这个检测项目包装成作品集？