计算机视觉五大任务

五种计算机视觉任务详解

1. Detect（目标检测）

做什么：找出图片中有什么物体，以及它们的位置。

输出：每个物体用一个矩形框标出位置，并给出类别标签。

输出: [猫, 置信度0.95, 位置(x1,y1,x2,y2)]
      [狗, 置信度0.92, 位置(x3,y3,x4,y4)]

YOLO 最擅长的就是它。

2. Segment（分割）

做什么：不仅找出物体在哪，还要精确到每个像素属于哪个物体。

两种类型：

• 语义分割：把所有像素分类（比如：这是路、这是车、这是天空）
• 实例分割：区分同类的不同个体（比如：车A、车B、车C）

输出：每个物体的轮廓掩码（像抠图一样）。

输出: 猫 → 像素集合 { (120,50), (121,50), ... }
      狗 → 像素集合 { (200,80), (201,80), ... }

应用：自动驾驶（区分道路、行人、车辆）、医学影像（肿瘤轮廓）。

3. Pose（姿态估计）

做什么：检测人体或物体的关键点（关节、五官等），判断姿势。

输出：一组关键点坐标，通常用骨架连线表示。

人体姿态: 
  鼻子(150, 80), 
  左肩(130, 100), 右肩(170, 100),
  左肘(110, 130), 右肘(190, 130),
  左腕(100, 160), 右腕(200, 160),
  ...

应用：健身动作纠正、安防异常行为检测、游戏体感交互。

4. Classify（分类）

做什么：给整张图片打一个标签，判断它属于哪个类别。

输出：一个类别标签 + 置信度。

输入: 一张猫的图片
输出: 猫 (置信度 0.98)

与 detect 的区别：

• classify：这张图里有什么？→ "猫"
• detect：猫在哪？→ 给出框

应用：图片内容审核、医学影像分类（正常/病变）、产品瑕疵判断。

5. OBB（有向边界框）

做什么：检测倾斜物体，用可旋转的矩形框紧贴物体。

输出：中心点 + 宽 + 高 + 旋转角度。

输出: [x, y, width, height, angle, confidence, class]
      飞机, 角度 0.78 弧度

与 detect 的区别：

• detect：框永远是正的，倾斜物体会框进很多背景
• obb：框可以旋转，紧贴物体实际角度

应用：航拍图像（斜停的飞机/船舶）、场景文字检测（倾斜的文本行）。

对比总结表

一句话总结

• classify：给图片分类
• detect：框出物体位置
• segment：抠出物体轮廓
• pose：画出人体骨架
• obb：框且旋转，专治倾斜物体