目标检测和图像分类到底有什么区别

拿一张街道照片给模型看，照片里有汽车、行人，还有路边的自行车。

如果模型回答“这是一张街景照片”，它做的可能是图像分类；如果模型把汽车、行人和自行车分别框出来，并在框旁边写上类别，它做的就是目标检测。

看起来只差了几个框，实际做项目时，数据怎么标、模型怎么训练、效果怎么评估，都会跟着变。

区别在于，你想让模型交出什么结果

图像分类把整张图片作为一个判断对象，输出图片所属的类别。

比如判断一张产品照片是“合格”还是“不合格”，或者把照片分成“室内”“街道”“自然风景”。在常见的单标签分类任务中，模型会为各个类别给出分数，再选出得分最高的类别作为预测结果。

目标检测的输出则是一组目标。每个目标通常包含类别、置信度和边界框位置。一张图片可能没有符合条件的目标，也可能有十几个。常见检测框架的输出接口，就是围绕这些信息组织的。

假设照片里有两只猫和一只狗，两种任务的结果可以写成：

图像分类：
猫

目标检测：
猫，0.96，边界框 [30, 40, 180, 220]
猫，0.91，边界框 [210, 60, 350, 230]
狗，0.94，边界框 [380, 90, 590, 360]

这里的坐标只是示意，采用的是左上角和右下角坐标。不同工具也可能使用中心点、宽度和高度，不能拿到四个数字就默认它们的含义一样。

还有一个容易混淆的地方：分类并不只能输出一个类别。

多标签分类可以同时判断图片里有“猫”和“狗”，但一般不会告诉你有几只猫、每只猫在哪里。检测则需要把不同的目标实例区分开。

所以，“能不能识别多个类别”并不是两者最关键的分界。关键在于，结果是针对整张图片，还是针对图片中的一个个具体目标。

多出来的几个框，需要有人教模型怎么画

两类任务的差别，在准备训练数据时就很明显。

做猫狗分类，一种常见的数据组织方式是：

dataset/
├── cat/
│   ├── 001.jpg
│   └── 002.jpg
└── dog/
    ├── 003.jpg
    └── 004.jpg

图片放在哪个目录，就表示它对应哪个类别。这个例子默认每张图片都有明确的单一标签。

做目标检测，仅仅告诉模型“这张图里有猫”还不够。在常见的全监督训练方式下，需要标出每个目标的位置，并给每个框指定类别。TorchVision 的检测训练接口就要求提供目标框，以及与每个框对应的类别标签。

这会带来不少很具体的问题：

• 被遮挡了一半的目标，要不要标？
• 远处只有几个像素的小目标，要不要标？
• 框应该覆盖可见部分，还是推测完整范围？
• 一张图里有二十个目标，是否都按同一套规则标完了？

这些事情很琐碎，却会直接影响训练。

比如同样大小的远处行人，有些图片标了，有些图片没标。在许多常规检测训练流程中，未标注的行人区域可能被当作背景参与训练。模型一边被要求识别人，一边又因为识别出人受到惩罚，效果自然容易受影响。

因此，检测项目的成本往往不只是模型计算量。标注、检查漏标、统一边界规则，都需要时间。

模型内部，也不是简单加一个画框功能

分类模型通常先提取图像特征，再把这些特征汇总，用于判断整张图片属于哪一类。

目标检测也需要提取特征，但还要保留并利用空间信息：目标出现在什么位置，占多大范围，不同位置的目标分别是什么。

以工业质检为例，一张高分辨率的产品照片里，划痕可能只占很小一块。把整张图缩得很小后，划痕本身可能已经看不清了。此时，不管分类还是检测，都会遇到困难；而检测还需要进一步给出足够准确的位置。

这也是检测模型经常利用不同尺度特征的原因。近处的大目标和远处的小目标，在图像中占据的像素数量差别很大，只依赖单一尺度的信息不一定合适。

不过，也不能因此得出“分类简单，检测一定更慢”的结论。一个大规模分类模型，完全可能比一个轻量检测模型更耗资源。实际速度还取决于输入分辨率、模型规模、推理硬件和部署方式。

任务决定需要解决的问题，具体模型决定为此付出多少计算成本。

分类看错类别，检测还可能找错位置

分类任务最直观的指标是准确率：一批图片里，有多少张分对了。

但准确率也有盲区。假设一千张质检图片中，九百九十张都合格，模型全部预测为“合格”，准确率仍然有 99%。这个结果看起来很好，却没有找出任何不合格产品。因此，还需要结合各类别的精确率、召回率和混淆矩阵来看。

目标检测的评估更复杂一些，因为它有几种不同的错误：

判断框是否准确，常用 IoU，也就是预测框与真实框的交并比：

IoU = 两个框的交集面积 ÷ 两个框的并集面积

两个框完全重合时，IoU 为 1；没有交集时，IoU 为 0。

检测评估需要按规定匹配预测框和真实目标。类别正确、重叠程度达到要求，才有机会被计为正确检测；同一个真实目标通常也不能被多个预测框重复算作正确。

常见的 mAP 指标，就是在这类匹配规则基础上，对精确率与召回率表现进行汇总。看结果时还要确认评估口径：使用 IoU 0.5 的指标，与在多个 IoU 阈值上取平均的指标，不能直接当成同一个数字比较。

这也解释了为什么“分类准确率 95%”和“检测 mAP 80%”无法直接比较。它们衡量的并不是同一件事。

该用哪个，先看业务到底需要什么

假设要做一个水果识别系统。

如果用户每次把一个水果放在固定背景上拍照，只需要知道它是苹果还是橙子，分类通常就能满足需求。

如果用户拍的是整个果盘，需要标出每一个苹果和橙子的位置，就应该考虑检测。

如果还要测量水果在图片中占据的精确面积，矩形框可能又不够了，这时需要进一步考虑分割，让模型判断哪些像素属于水果。

类似地，产品质检也不能只看“质检”两个字就决定模型类型：

检测和分类也经常配合使用。

例如先检测货架上的商品，把每件商品裁剪出来，再交给分类模型区分具体型号。检测负责找到商品，分类负责细分。这样拆分有时更容易准备数据，也方便分别改进两个环节。

但它也有代价：前面的检测一旦漏掉商品，后面的分类就没有机会处理；如果裁剪框切掉了包装上的关键信息，分类也可能出错。

会画框，不代表业务已经做完了

目标检测能给出每一帧里的目标，但不自动解决跨帧身份问题。

比如监控画面中，同一个人连续出现一百帧，如果把每帧检测到的人数直接相加，就会把这个人重复计算。统计进店人数，通常还需要结合跟踪、过线规则和去重逻辑。

分类也有类似的边界。模型可以判断图片属于哪个已知类别，却不意味着它一定能识别“不属于任何已知类别”的情况。一个只训练过苹果和橙子的分类器，看到杯子时，也可能给出一个看起来很肯定的结果。

真正开始做项目时，不妨先把期望输出写出来：只要一个类别，还是需要一组带位置的目标？需要统计当前画面中的数量，还是一天内出现过的不同对象？需要矩形范围，还是精确轮廓？

这些问题回答清楚了，分类、检测以及后续处理各自该承担什么工作，也就清楚了。