目标检测是图像处理领域中最具实用价值的方向之一，它的任务是让计算机不仅知道图里有什么，还要框出位置。对于没有任何基础的学习者，最稳妥的路径是先理解图像在计算机里的表示方式，再逐步过渡到特征提取与模型训练。我们把整个实践过程分成数据、预处理、模型、训练与评估几个阶段，每一步都可以独立验证。
一、理解图像数据与标注格式
在写第一行代码前，必须清楚图像本质是一个多维数组。彩色图通常是高度乘宽度乘三通道的矩阵，每个数值代表像素强度。目标检测不会直接拿原始矩阵去分类，而是需要人工或自动标出物体区域，这种区域在术语里叫边界框，一般用左上角坐标加宽高表示。
常见的标注文件格式有XML、JSON以及YOLO使用的纯文本。以YOLO为例，每一行写一个目标，内容是类别索引、归一化中心x、中心y、宽度、高度。这种格式占用空间小，读取快，适合自己从零造数据集。下面是一段用Python读取并解析YOLO标注的示例：
import os
def load_yolo_label(label_path, img_w, img_h):
boxes = []
# 若标注文件不存在则返回空列表
if not os.path.exists(label_path):
return boxes
with open(label_path, 'r') as f:
for line in f.readlines():
parts = line.strip().split()
if len(parts) != 5:
continue
cls, cx, cy, w, h = parts
# 将归一化坐标还原为像素坐标
x1 = (float(cx) - float(w) / 2) * img_w
y1 = (float(cy) - float(h) / 2) * img_h
x2 = (float(cx) + float(w) / 2) * img_w
y2 = (float(cy) + float(h) / 2) * img_h
boxes.append([int(cls), x1, y1, x2, y2])
return boxes
print(load_yolo_label('img_001.txt', 640, 480))
上面的函数把标签转成了左上和右下的像素坐标，方便后续画框或计算交并比。初学者常犯的错误是忘记确认坐标是否归一化，导致框完全错位。建议在标注完后随机抽几张图用画图库可视化，确认框的位置符合预期。
二、图像预处理提升模型鲁棒性
真实场景采集的图片往往存在曝光不均、模糊或尺寸不一的问题。如果直接送入网络，模型会学到无关噪声。预处理的目标是用确定性的变换让输入分布更稳定。最基础的操作是尺寸缩放，目标检测通常固定输入边长，比如416或640，同时保持比例并补灰边。
除缩放外，均值滤波可以抑制椒盐噪声，直方图均衡化能拉回过暗或过亮的图像对比度。以下代码展示如何用OpenCV做单张图的预处理组合：
import cv2
import numpy as np
def preprocess(image_path):
img = cv2.imread(image_path)
# 缩放并补边到640x640
h, w = img.shape[:2]
scale = 640 / max(h, w)
new_h, new_w = int(h * scale), int(w * scale)
resized = cv2.resize(img, (new_w, new_h))
canvas = np.full((640, 640, 3), 114, dtype=np.uint8)
canvas[:new_h, :new_w] = resized
# 直方图均衡化仅处理亮度通道
lab = cv2.cvtColor(canvas, cv2.COLOR_BGR2LAB)
l, a, b = cv2.split(lab)
l = cv2.equalizeHist(l)
lab = cv2.merge((l, a, b))
out = cv2.cvtColor(lab, cv2.COLOR_LAB2BGR)
return out
result = preprocess('street.jpg')
cv2.imwrite('street_ready.jpg', result)
这段代码先把图缩放到最长边640，再居中贴到灰底画布，最后对亮度通道做均衡化。这样做比直接全局拉伸颜色更不容易出现色偏。要注意的是，预处理参数在训练和推理时必须完全一致，否则模型效果会明显下降。
三、从滑动窗口到锚框机制
最早的目标检测思路是滑动窗口：用不同大小的框遍历整张图，每个框送分类网络判断是否有目标。这种方法逻辑简单，但计算量惊人。假设图片640乘640，窗口步长32，仅一种尺寸就要约四百个位置，多种尺寸组合后轻松破万，普通电脑无法实时。
现代方法改用卷积神经网络一次性输出多个候选框，其中锚框机制是关键。锚框是预先设定在特征图每个格子上的固定比例和大小参考框，模型只需预测它们相对于真实框的偏移量。这样把分类和定位合并成一个回归问题。下面用PyTorch定义一个极简锚框生成函数：
import torch
def generate_anchors(feat_size, img_size, scales, ratios):
# feat_size: 特征图格子数, img_size: 输入尺寸
step = img_size / feat_size
anchors = []
for i in range(feat_size):
for j in range(feat_size):
cx = (j + 0.5) * step
cy = (i + 0.5) * step
for s in scales:
for r in ratios:
w = s * r ** 0.5
h = s / r ** 0.5
anchors.append([cx, cy, w, h])
return torch.tensor(anchors)
a = generate_anchors(20, 640, [64, 128], [1.0, 0.5])
print(a.shape)
这个函数生成了在20乘20特征图上，每种尺度和比例对应的锚框中心与宽高。实际训练中，网络对每个锚框输出是否含物体以及坐标修正值。相比滑动窗口，锚框把候选数量压到可控范围，且利用卷积共享计算，速度提升数十倍。
四、搭建基础检测网络与损失
从零写一个完整检测网络不必一开始就上复杂结构。可以用一个简单的骨干网如三层卷积提取特征，再接两个头：一个做类别置信度，一个做框回归。损失函数通常由三部分组成，分类用交叉熵，定位用平滑L1，是否含物体用二分类损失。
下面给出一个简化版前向与损失计算的伪结构，帮助理解数据流向：
import torch.nn as nn
class SimpleDet(nn.Module):
def __init__(self, num_cls):
super().__init__()
self.backbone = nn.Sequential(
nn.Conv2d(3, 16, 3, padding=1),
nn.ReLU(),
nn.Conv2d(16, 32, 3, padding=1),
nn.ReLU()
)
self.cls_head = nn.Conv2d(32, num_cls, 1)
self.box_head = nn.Conv2d(32, 4, 1)
def forward(self, x):
feat = self.backbone(x)
return self.cls_head(feat), self.box_head(feat)
# 假设批次1,3,640,640输入
model = SimpleDet(2)
# 此处仅演示结构, 真实需配合锚框解码与损失
这个网络输出和输入特征图同尺寸的热力图与偏移图。虽然离工业级模型很远，但包含了检测头分离的核心思想。训练时要把锚框和输出对齐，计算预测框与真实框的交并比，大于阈值算正样本，反之为负，再反传误差。
五、训练技巧与评估指标
目标检测最忌讳只用准确率评价，因为背景框远多于目标框，全预测背景也能拿高分。标准做法是看平均精度，即每个类别在不同置信度阈值下的精度召回曲线面积，再取各类均值。训练时采用学习率热身和小批量随机梯度下降，能避免早期梯度爆炸。
数据增强是零基础者最容易忽视却最见效的一步。随机水平翻转、亮度抖动、马赛克拼接都能让模型见过的样本成倍增加。以下代码用Albumentations库做组合增强：
import albumentations as A
train_aug = A.Compose([
A.HorizontalFlip(p=0.5),
A.RandomBrightnessContrast(p=0.3),
A.Resize(640, 640)
], bbox_params=A.BboxParams(format='yolo', label_fields=['labels']))
# augmented = train_aug(image=img, bboxes=bboxes, labels=labels)
# 返回的bboxes会自动同步变换
增强管线要声明边界框格式，否则框不会跟着图变。评估时固定用验证集，每轮保存最优平均精度权重。当你能从零跑通数据加载、增强、训练、推理画框这条链路，就意味着已经掌握了目标检测的实践主干，剩下只是换更强骨干或调参的事。