计算机视觉三大子任务实战解析：图片分类、目标检测与图像分割

1次阅读

共计 2019 个字符，预计需要花费 6 分钟才能阅读完成。

计算机视觉的三大子任务各有侧重，我们先通过日常场景理解它们的差异：

图片分类 ：判断整张图片的类别标签。例如输入一张动物照片，输出是 ” 猫 ” 或 ” 狗 ”。这是最基础的任务，常用于相册自动分类、内容审核等场景。
目标检测 ：不仅要识别物体类别，还要定位物体位置（用边界框表示）。比如自动驾驶中识别行人、车辆的位置，输出形式可能是 ” 行人：(x1,y1,x2,y2)”。
图像分割 ：像素级的分类任务，分为两种类型：
语义分割：给每个像素分配类别标签（如道路、天空）但不区分同类物体
实例分割：进一步区分同类物体的不同实例（如人群中的每个人）

以 ResNet18 为例，核心代码结构如下：

import torch
import torchvision

# 数据预处理
transform = torchvision.transforms.Compose([transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], 
                         std=[0.229, 0.224, 0.225])
])

# 加载预训练模型
model = torchvision.models.resnet18(pretrained=True)
model.eval()

# 推理示例
input_tensor = transform(image).unsqueeze(0)
with torch.no_grad():
    output = model(input_tensor)
prediction = torch.argmax(output).item()

关键点说明：

ImageNet 的标准预处理参数必须保持一致
unsqueeze(0) 是为输入增加 batch 维度
实际生产环境需添加异常处理和日志记录

两种主流架构的对比：

特性	YOLOv5	Faster R-CNN
速度	快 (100+ FPS)	慢 (5-10 FPS)
精度	中等	高
适用场景	实时检测	高精度要求

OpenCV 调用 YOLO 的示例：

net = cv2.dnn.readNet("yolov5s.onnx")
blob = cv2.dnn.blobFromImage(image, 1/255.0, (640,640))
net.setInput(blob)
outs = net.forward()

# 解析检测结果
for detection in outs[0,0]:
    confidence = detection[4]
    if confidence > 0.5:
        class_id = int(detection[5])
        # 计算实际坐标...

UNet 的典型结构包含编码器（下采样）和解码器（上采样）部分。语义分割与实例分割的核心区别在于：

语义分割输出单通道掩膜（每个像素值代表类别）
实例分割需要额外输出物体实例 ID

PyTorch 实现片段：

class DoubleConv(nn.Module):
    """(卷积 => BN => ReLU) * 2"""
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.double_conv = nn.Sequential(nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            # 重复一次...
        )

根据任务特点有不同的优化方向：