目标检测和图像分类到底有什么区别

做图像识别项目时，很容易遇到一个选择：我只是想让程序认出画面里的东西，到底该训练分类模型，还是检测模型？

比如识别传送带上的零件。相机每次拍到一个摆正的零件，判断型号，用分类往往就够了；换成俯拍一堆混放的零件，还要知道各自的位置和数量，任务就变成了检测。

区别不在于哪个名字听起来更高级，而在于：你希望模型交付什么结果。 这个选择会直接影响标注工作量、模型输出、评估方法，以及上线后会踩的坑。

同一张图，两种不同的答案

图像分类以整张图为判断单位。输入一张照片，模型输出它属于哪些类别。目标检测则以图中的目标实例为判断单位，既要识别类别，也要给出位置，通常用矩形框表示。

图中用几何图形代替真实物体：分类回答“画面中有哪些类别”，检测进一步回答“每一个在哪里”。图里的分数仅用于示意。

这里有个常见误解：分类并不等于“一张图片只能有一个物体”。单标签分类通常要求选出一个类别，多标签分类则可以同时判断“有猫、有狗”。但即使多标签分类知道两者都在，也不能据此知道有几只猫，更不能知道它们分别在哪。

“数量”和“位置”是新的输出需求，不是给分类模型多加几个类别就能自然获得的能力。

从代码看，输出结构已经不同了

假设图片里有两个螺丝和一个螺母，多标签分类结果可以表达为：

# 示意数据，不代表特定框架的返回格式
classification = {
    "screw": 0.98,
    "nut": 0.93,
    "washer": 0.04,
}

这些分数分别表示类别存在的预测。多标签任务常用 sigmoid，各类别分数不需要加起来等于 1；互斥的单标签分类则常用 softmax，把分数归一化到各个候选类别上。

检测结果需要保留每个实例：

# bbox 使用原图像素坐标：[xmin, ymin, xmax, ymax]
detections = [
    {"label": "screw", "score": 0.96, "bbox": [20, 30, 90, 150]},
    {"label": "screw", "score": 0.91, "bbox": [130, 45, 200, 165]},
    {"label": "nut", "score": 0.94, "bbox": [240, 80, 300, 140]},
]

业务代码可以根据这些框画出识别结果，也可以按类别计数。不过要注意，统计的是“模型检出的数量”：漏检会少算，重复框会多算。视频里逐帧把框数相加，更不能得到经过的物体总数，那通常还需要跟踪和跨帧去重。

另外，0.96 不代表这个预测在任何场景下都有 96% 的正确率。分数是否可靠，需要用实际业务数据验证，必要时再做校准。

检测为什么比分类多出这么多工作

两类模型都需要提取视觉特征，比如边缘、纹理和形状。常见分类网络会把空间特征汇总，再输出整张图的类别分数；检测网络则需要保留并利用空间信息，预测类别和位置。

这张图表达的是任务层面的数据流，不是某个网络的完整结构。实际检测器有不同路线：Faster R-CNN 一类方法先产生候选区域，再做分类和框的细化；YOLO 一类方法通常直接进行密集预测；DETR 一类方法把结果组织成目标集合预测。

所以，把检测概括成“在图片上滑动分类器”可以帮助直觉理解，却不足以描述现代检测器。它还要处理目标尺度变化、背景干扰、实例匹配，以及可能出现的重复预测。

不少检测器会用非极大值抑制，也就是 NMS，筛掉同类目标附近的重复框。但并非所有检测器都必须依赖它。对于需要 NMS 的模型，阈值过严可能误删挤在一起的真实目标，过松则容易留下重复框。

这种复杂度也体现在训练数据上。分类通常给图片一个或多个标签就行；检测要明确框出每个需要识别的目标，还要统一标注规则：被遮挡的物体怎么框？只露出一角要不要标？很小的目标是否纳入范围？

同一批数据里，有人只框可见部分，有人按完整轮廓估计，模型学到的定位目标就会不一致。漏标也不是小事：在许多训练设置下，没标出来的真实目标可能被当作背景处理。

分类看准确率，检测为什么常看 mAP

分类的判断相对直接：预测类别是否与标签一致。类别均衡时可以看准确率；如果“正常”占了 99%，只看准确率就很容易自我安慰，还需要关注异常类别的精确率、召回率、F1，以及混淆矩阵。

检测除了“认对”，还要“框对”。常用的定位指标是交并比 IoU：

IoU = 预测框与真实框的交集面积 / 两个框的并集面积

预测框与真实框完全重合时，IoU 为 1；完全不相交时为 0。评估时通常要求类别正确、IoU 达到指定阈值，并按规则把预测与真实目标匹配。同一个真实目标不能因为被预测出三个框，就算识别成功三次。

AP 基于预测分数排序形成的精确率—召回率关系计算；mAP 通常再对类别取平均。有些评估还会在多个 IoU 阈值上平均。因此，看到“mAP 80%”，要先确认它指的是 AP50、AP75，还是 COCO 风格的 AP@[0.50:0.95]，这些数字不能直接混着比较。

落到业务里，指标还要对应代价。流水线漏掉缺陷的代价高，就要重点看缺陷召回率；自动告警误报太多会让人疲劳，就要检查精确率。模型总分不错，不代表关键类别、远处小目标或夜间画面也表现不错。

选模型之前，先看相机怎么拍

判断任务类型，有时不用先研究网络结构，先看看输入就能省下不少工作。

如果每张图都是一个居中的零件，你只想判断型号或者合格与否，分类通常更容易落地。若画面里可能同时出现多个零件，还要分别定位和计数，就应该考虑检测。

还有一种实用方案是“检测加分类”：先把物体找出来，裁剪目标区域，再交给分类模型识别细分型号。它适合定位目标相对统一、细分类别复杂的场景，但不是免费提升：检测漏掉的目标，后面的分类器根本看不到；裁剪偏了，分类也可能受影响，还会增加推理耗时。

尤其是“是否戴安全帽”：检测到画面里有一个人和一顶帽子，不等于这个人戴了帽子。模型输出到业务结论之间，往往还隔着关联规则，或者需要直接训练合适的状态类别。

也不要认为检测模型一定比分类模型慢。耗时还取决于输入分辨率、模型规模、硬件和后处理。更现实的比较方法，是在同一设备上，用相同业务样本测量准确性和端到端延迟。

真正要分清的是任务边界

图像分类解决整张图的类别判断；目标检测把判断细化到每个实例，并给出位置。如果矩形框还不够，业务需要物体轮廓、面积或者像素归属，那就继续考虑分割。

做项目时，可以先写出一条期望返回的数据：只要一个标签，还是需要一组带坐标的目标？再用真实样本检查遮挡、小目标和背景变化。把输出定义清楚，后面的标注方案、模型选择和验收标准才有落点。