什么是目標檢測

目標檢測算法是計算機視覺領域的一類算法，主要用于從圖像或視頻中識別出特定的對象，并確定它們的位置和大小。這些算法可以識別多種對象，并能同時輸出這些對象的邊界框（bounding boxes）位置。目標檢測在許多實際應用中非常關鍵，例如自動駕駛、安防監控、人臉識別和增強現實等。

現在讓我們借助下圖稍微簡化一下這個陳述。

圖片

我們不必對這些圖片中的狗進行分類，而是要實際定位圖片中的狗。也就是說，我必須找出圖片中狗的位置？是在中間還是在左下角？我們可以在圖像中的狗周圍創建一個框，并指定該框的 x 和 y 坐標。

圖片

現在，假設圖像中物體的位置可以用這些框的坐標來表示。

圖像中物體周圍的這個框被稱為邊界框。現在，這變成了一個圖像定位問題，我們得到一組圖像，我們必須確定圖像中物體的位置。

請注意，這里我們只有一個類。如果我們有多個類怎么辦？

圖片

在這張圖片中，我們必須找到圖像中的物體，但請注意，并非所有物體都是狗。這里有一只狗和一輛車。

所以我們不僅要找到圖像中的物體，還要將找到的物體分類為狗或汽車。所以這變成了一個目標檢測問題。

對于目標檢測問題，我們必須對圖像中的物體進行分類，并確定這些物體在圖像中的位置。

而圖像分類問題只有一個任務，即對圖像中的物體進行分類。

圖片

總的來說，對于目標檢測任務，我們需要確認以下三個問題。

• 要識別圖像中是否存在物體？
• 這個物體位于哪里？
• 這是什么物體？

圖片

具體到這個例子，我們在圖像中有一個物體。我們可以在這個物體周圍創建一個邊界框，這個物體是一輛緊急車輛。

用于目標檢測的訓練數據

在本節中，我們將了解使用深度學習進行目標檢測的數據是什么樣的。

我們首先從分類問題中舉一個例子。在下圖中，我們有一個輸入圖像和針對這個輸入圖像的目標類。

圖片

現在，假設手頭的任務是檢測圖像中的汽車。因此，在這種情況下，不僅要有一張輸入圖像，還要有一個目標變量，該變量具有表示圖像中物體位置的邊界框。

圖片

因此，在這種情況下，這個目標變量有五個值，值 p 表示物體出現在上圖中的概率，而四個值 Xmin、Ymin、Xmax 和 Ymax 表示邊界框的坐標。

下面讓我們了解如何計算這些坐標值。

請考慮圖像上方的 x 軸和 y 軸。在這種情況下，Xmin 和 Ymin 將是邊界框的左上角，而 Xmax 和 Ymax 將是邊界框的右下角。

現在，目標變量只回答了兩個問題？

1. 圖像中是否存在物體？
   如果不存在物體，則 p 將為零，而當圖像中存在物體時，p 將為 1。
2. 如果圖像中存在一個物體，那么該物體位于哪里？
   你可以使用邊界框的坐標找到對象的位置。

當有更多類別時會發生什么？在這種情況下，目標變量將如下所示。

圖片

因此，如果你有兩個類別，即緊急車輛和非緊急車輛，那么你將有兩個附加值 c1 和 c2 表示上圖中的物體屬于哪個類別。

如果我們考慮這個例子，我們將圖像中存在物體的概率定為一個。我們給定 Xmin、Ymin、Xmax 和 Ymax 作為邊界框的坐標。然后，由于這是一輛緊急車輛，因此 c1 等于 1，而由于這是一輛非緊急車輛，因此 c2 為 0。

圖片

現在，訓練數據應該像上圖那樣。

假設我們建立了一個模型并從模型中得到了一些預測，這是你可以從模型中獲得的可能輸出。

物體出現在這個預測邊界框中的概率為 0.8。你有這個藍色邊界框的坐標，也就是預測的邊界框，分別是 (40,20) 和 (210,180)，最后是 c1 和 c2 的類值。

所以現在我們了解了什么是目標檢測，以及目標檢測問題的訓練數據是什么樣的。

邊界框評估

在本節中，我們將討論一個非常有趣的概念，即并集與交集 (IoU)。我們將使用它來確定我們創建的各個塊的目標變量。

考慮以下場景，這里我們有兩個邊界框，box1 和 box2。現在如果我問你這兩個框中哪一個更準確，顯然答案是 box1。

圖片

為什么？因為它有 WBC（白細胞） 的主要區域，并且正確檢測到了 WBC（白細胞）。但是我們如何從數學上找出這一點？

如果我們能夠找出實際和預測邊界框的重疊，我們將能夠決定哪個邊界框是更好的預測。

圖片

可以看到，邊界框 box1 與實際邊界框重疊度更高，交集面積約為實際邊界框的 70%。所以我們可以說，在這兩個邊界框中，box1 顯然是更好的預測。

讓我們考慮另一個例子，假設我們創建了多個不同大小的邊界框或補丁。

圖片

在這里，左側邊界框的交集肯定是 100%，而在第二張圖片中，這個預測邊界框交集只有 70%。所以在這個階段，你會說左側邊界框的預測更好嗎？顯然不是。右側邊界框更準確。

因此，為了處理這種情況，我們還考慮了并集面積。

圖片

我們可以說，這個并集面積（藍色區域）越大，預測的邊界框的準確度就越低。

現在，這被稱為并集交集 (IoU)，即交集的面積除以并集的面積。

圖片

那么，IoU 的取值范圍是多少呢？讓我們考慮一些極端的情況。

如果我們有實際邊界框和預測邊界框，并且它們之間完全沒有重疊，那么交集的面積將為零，而并集的面積將是這兩塊面積的總和。因此，總體而言，IoU 將為零。

圖片

另一種可能的情況是預測邊界框和實際邊界框完全重疊，在這種情況下，交集的面積將等于重疊的面積，并集的面積也將相同。由于在這種情況下分子和分母相同，因此 IoU 將為 1。

圖片

所以，IoU 范圍在 0 到 1 之間。

現在需要定義一個閾值，以確定預測的邊界框是否是正確的預測。假設 IoU 大于閾值（可以是 0.5 或 0.6）。在這種情況下，我們會認為實際邊界框和預測邊界框非常相似。

圖片

而如果 IoU 小于特定閾值，我們會說，預測的邊界框與實際邊界框完全不接近。

圖片

計算 IoU

在上一節中，我們討論了如何計算 IoU 值。我們需要交集面積和并集面積。

現在的問題是，我們如何找出這兩個值？

要找出交集面積，我們需要這個藍色框的面積。我們可以使用此藍色框的坐標來計算。

為了找出 Xmin 的值，我們將使用這兩個邊界框的 Xmin 值，表示為 X1min 和 X2min。

圖片

現在，正如你在圖上看到的，這個藍色邊界框的 Xmin 完全等同于 X2min。我們還可以說，這個藍色框的 Xmin 始終是 X1min 和 X2min 這兩個值中的最大值。

對于這個藍色邊界框的 Xmax，我們將比較 X1max 和 X2max 的值。我們可以看到，這個藍色邊界框的 Xmax 等于 X1max。它也可以寫成 X1max 和 X2max 中的最小值。

圖片

同樣，為了找出 Ymin 和 Ymax 的值。我們將比較 Y1min 和 Y2min 以及 Y1max 和 Y2max。Ymin 的值將是 Y1min 和 Y2min 中的最大值，Ymax 將是 Y1max 和 Y2max 中的最小值。

現在我們有了這四個值，即 Xmin、Ymin、Xmax 和 Ymax。我們可以通過將這個矩形的長乘以寬來計算出交點的面積，這個矩形就是這里的藍色矩形。

圖片

接下來，重點是計算并集面積。因此，為了計算并集面積，我們將使用這兩個邊界框（即綠色邊界框和紅色邊界框）的坐標值。

圖片

現在請注意，當我們計算 box1 和 box2 的面積時，我們實際上計算了這個藍色陰影區域兩次。因為，這是綠色矩形和紅色矩形的一部分。由于這部分被計算了兩次，因此我們必須減去一次，才能得到并集面積。

所以，最終的并集面積將是 box1 的面積與 box2 的面積之和，之后必須減去交集面積。

圖片

現在我們得到了兩個邊界框的交集面積，也得到了兩個邊界框的并集面積。現在我們可以簡單地用交集面積除以并集面積來計算 IoU。

評估指標

現在，我們將討論目標檢測中常用的評估指標。

目標檢測的評估指標主要有：

• 交并比 (IoU)
• 平均準確率（mAP）

我們之前討論了 IoU，這里我們重點介紹 mAP

精度

精確度是在所有預測為正類的樣本中，真正屬于正類的比例。它重點評估了分類器在預測正類上的表現。

現在，讓我們舉一個例子來了解如何計算精度。

假設我們有一組邊界框預測。除此之外，我們還通過將這些邊界框預測與實際邊界框進行比較來計算 IoU 分數。

假設我們的閾值是 0.5。

圖片

因此，在這種情況下，我們可以將這些預測分為真陽性和假陽性。一旦我們得到了真陽性和假陽性的總數，我們就可以計算出精確率。在這種情況下，精確率為 0.6。

AP（平均精度）

對于每個類別，計算其平均精度（AP），步驟如下。