一、从"分类"到"检测"：还要知道"在哪"
"分类只回答'这张图是什么'。目标检测（Object Detection）要回答'图里有什么、在哪'——框出每个目标的位置。"老周画：
分类 vs 检测：
分类：[整张图] → "这是猫"
检测：[图] → "这里有一只猫(框A)、那里有一个人(框B)"
检测输出：
每个目标一个框（Bounding Box）+ 类别 + 置信度
框 = 中心点(x,y) + 宽高(w,h) 或 左上角+右下角
云间书店需求：
客流统计：检测"人"（person 类）→ 数框
货架识别：检测"书/商品"→ 统计数量
收银排队：检测人 + 跟踪（第十一章）
检测 vs 分类在流程上的差别：
分类：整图一个标签
检测：把图"切出"很多区域，每个区域判断是什么
→ 核心问题：怎么找"候选区域"？
"检测 = '在哪找' + '是什么'两步——难点在'在哪找'：图里人可能出现在任何位置、任何大小。"
二、检测的两大流派：两阶段 vs 单阶段
"目标检测有两大技术路线。"老周说：
两阶段检测器（Two-stage）：
第一阶段：先生成"候选区域"（可能是目标的框）
第二阶段：对候选区域分类 + 精修框
代表：R-CNN 系列 → Fast R-CNN → Faster R-CNN
特点：准确率高，但慢（两遍流程）
适合：精度优先（工业质检）
单阶段检测器（One-stage）：
一个网络直接输出"框 + 类别"（一步到位）
代表：YOLO（You Only Look Once）、SSD
特点：快（实时），精度略低但已够用
适合：实时视频（客流统计、自动驾驶）
YOLO 为什么叫"只看一次"：
传统方法要"滑窗/候选区域"多次看
YOLO 把整张图喂进网络，一次前向就出所有框
→ 速度快到能实时（30-100 FPS）
云间书店选 YOLO：实时客流统计，速度优先
"检测选型：要精度选 Faster R-CNN，要速度选 YOLO。 客流统计要实时 → YOLO 是标准答案。面试常问两者区别，这个要背熟。"
三、YOLO 的原理：一次前向，框都出来
"YOLO 的核心思想：把图像分成网格，每个格子负责预测'中心落在这个格子的目标'。"老周画：
YOLO 原理（简化）：
① 把图分成 S×S 网格（如 7×7）
② 每个网格预测：
- 若干候选框（B 个）
- 每个框：中心偏移 + 宽高 + 置信度
- 每个框：各类别概率
③ 过滤：置信度低的丢掉
④ NMS：重叠的框合并（同一个物体只留一个）
┌───┬───┬───┬───┐
│ │ │ │ │ 人的中心在这个格子
├───┼───┼───┼───┤ → 这个格子负责"框出人"
│ │ □ │ │ │
├───┼───┼───┼───┤ □ = 预测的框
│ │ │ │ │
└───┴───┴───┴───┘
网格 + 多尺度（YOLOv3+）：
在不同尺寸的特征图上检测（大目标/小目标都行）
→ 小目标检测能力大幅提升
"YOLO = 网格负责制——'每个格子管好自己的辖区'。一次前向，所有格子一起报，所以快。这是 YOLO 的核心直觉。"
四、NMS：重复的框怎么合并
"同一个目标可能被预测出好几个框，怎么只留一个？NMS（非极大值抑制）。"老周说：
NMS（Non-Maximum Suppression）非极大值抑制：
问题：一个人被框了 5 次（重叠的框）
目标：只留"最准"的那一个
流程：
① 按置信度排序，先留置信度最高的框
② 计算它和其余框的 IoU
③ IoU > 阈值（如 0.5）的框 = 重复 → 删掉
④ 对剩下的框重复 ①②③
IoU（Intersection over Union）交并比：
两个框重叠程度 = 交集面积 / 并集面积
0 = 不重叠，1 = 完全重合
IoU > 0.5 通常认为"是同一个目标"
为什么需要 NMS：
没有它，一个目标会输出一堆框（丑 + 重复计数）
客流统计会"一个人数成三个人"
"NMS 是检测的'去重机制'——没有 NMS，检测结果没法用。IoU 概念在后面评估指标（mAP）里也用到，必须吃透。"
五、用 YOLO 做客流统计：实战代码
"现在动手：用现成 YOLO 模型（Ultralytics YOLOv8）做客流统计。"老周写：
# 安装
pip install ultralytics
from ultralytics import YOLO
import cv2
# 1. 加载预训练模型（COCO 数据集，80 类含 person）
model = YOLO("yolov8n.pt") # n = 轻量版（快）
# 2. 图片检测
results = model("store_front.jpg")
# 3. 解析结果：框出"人"
img = cv2.imread("store_front.jpg")
for r in results:
for box in r.boxes:
x1, y1, x2, y2 = box.xyxy[0].tolist() # 框坐标
conf = box.conf[0].item() # 置信度
cls = int(box.cls[0].item()) # 类别
name = model.names[cls] # 类别名
if name == "person" and conf > 0.5: # 只数人
cv2.rectangle(img, (int(x1), int(y1)),
(int(x2), int(y2)), (0, 255, 0), 2)
cv2.putText(img, f"{name} {conf:.2f}",
(int(x1), int(y1)-5),
cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)
# 4. 统计
num_people = sum(
1 for r in results for b in r.boxes
if model.names[int(b.cls[0])] == "person" and b.conf[0] > 0.5)
print(f"识别到 {num_people} 人")
cv2.imshow("result", img)
cv2.waitKey(0)
用现成模型的流程：
下载预训练权重 → 推理 → 解析框 → 后处理
重点：解析 YOLO 输出（xyxy/conf/cls）+ 按业务过滤
完整客流统计（进阶，第十一章细讲）：
视频逐帧检测 → 目标跟踪（同一人给同一ID）
→ 画"越线计数"（进门+1）→ 统计时段客流
"2023 年起，用 Ultralytics 一行代码就能跑 YOLO——训练、推理、导出都封装好了。工程上'会用现成模型'比'手写检测器'重要得多。"
六、评估指标：mAP 怎么算
"检测模型好不好，看 mAP（mean Average Precision）。"老周说：
mAP（平均精度均值）：
检测评估核心指标
先看"一次预测对不对"：
预测框 vs 真实框 IoU > 0.5（阈值）→ 算对（TP）
IoU 不够 → 算错（FP）
没预测到的真实目标 → 漏检（FN）
精确率（Precision）：预测的框里，多少是对的？= TP/(TP+FP)
召回率（Recall）：真实目标里，多少被找到了？= TP/(TP+FN)
二者权衡：阈值高 → 精确率高召回低；阈值低 → 反过来
AP：精确率-召回率曲线下的面积（一个类别一个 AP）
mAP：所有类别 AP 的平均
mAP@0.5：IoU 阈值 0.5 下的 mAP（常用）
mAP@0.5:0.95：多个 IoU 阈值的平均（COCO 标准）
怎么看：
mAP 越高越好（0-1）
云间书店场景：人检测 mAP@0.5 > 0.9 就很稳
"mAP 是检测的'体检报告'——面试必考、项目必用。记住：精确率管'准不准'，召回率管'全不全'，mAP 管'整体好不好'。"
七、章末：老周的第八章总结
第七层：目标检测
├── 任务：图里有什么 + 在哪（框+类别+置信度）
├── 两阶段：R-CNN 系（准，慢）/ 单阶段：YOLO（快，实时）
├── YOLO：网格负责制，一次前向出所有框
├── NMS：去重（IoU 交并比 > 0.5 = 同一目标）
├── 实战：Ultralytics YOLOv8 客流统计（数 person）
├── mAP：检测评估指标（精确率/召回率曲线面积）
└── 选型：实时视频用 YOLO（云间书店客流统计）
第九层（预告）：图像分割 —— 把书架从背景里抠出来
"小陈，门口摄像头装上了——YOLO 把每个进门的人都框出来，客流数据唰唰地涨！"老周说，"但王姐看了监控又提新要求：'我想知道哪些区域人多，能不能把书架和人都分开显示？'——这就是图像分割：不只是框出人，而是把'每一块像素'分类。下一章，我们玩点更精细的。"