计算机视觉中的目标检测是一种识别和定位图像或视频中特定对象的技术。 与将单个标签分配给整个图像的图像分类不同，目标检测通过在对象周围绘制边界框并标记每个对象来精确定位多个对象。 此过程使系统能够理解 什么 对象存在以及它们位于 哪里 。 例如，在街道场景中，目标检测可以同时识别汽车、行人和交通信号灯，从而为自动驾驶等应用提供关键的空间环境。
目标检测通常涉及两个主要步骤：特征提取和定位/分类。 早期方法，如 Haar 级联或方向梯度直方图 (HOG)，依赖于手工制作的特征来根据边缘或纹理检测对象。 现代方法使用深度学习模型，例如卷积神经网络 (CNN)，它可以自动从数据中学习分层特征。 诸如 Faster R-CNN、YOLO（You Only Look Once）和 SSD（Single Shot MultiBox Detector）之类的模型结合了区域提议网络或基于网格的系统，以在一个或两个阶段预测边界框和类概率。 例如，YOLO 将图像划分为一个网格并直接预测边界框，从而牺牲了一些准确性来换取实时速度，而 Faster R-CNN 使用区域提议以计算成本实现更高的精度。
目标检测的实际应用跨越各个行业。 在零售业，它可以跟踪库存，方法是识别货架上的产品。 在医疗保健领域，它可以协助分析医学图像以定位肿瘤等异常情况。 自动驾驶汽车依靠它来检测障碍物、车道标线和交通标志。 然而，仍然存在挑战，例如处理被遮挡的对象、变化的照明条件或平衡速度和准确性。 开发人员通常通过在特定领域的 数据集上微调预训练的模型（通过迁移学习）来解决这些问题。 诸如 TensorFlow 的 Object Detection API 或 PyTorch 的 Detectron2 之类的工具提供了高效实现这些模型的框架，强调模块化架构和针对在边缘设备上部署的优化。