第13章计算机视觉

学习目标

理解神经网络的基本原理，认识其与传统规则驱动方法的本质区别。
了解计算机视觉技术兴起的背景，理解为何非结构化图像数据需要神经网络这类新方法来处理。
掌握卷积神经网络的基本结构与工作机制，理解其在图像特征提取中的作用。
了解目标检测的基本任务与YOLO算法的核心思想。
能够结合仓储分拣、车牌识别、货物质检等物流场景，理解计算机视觉技术的实际应用价值。

引言

在仓库的分拣线上，摄像头每天都要"看"成千上万件包裹：判断包装是否破损、识别货物类别、读取车牌信息。这些任务对人来说轻而易举，但对计算机而言却极具挑战，图像本质上只是一堆像素数值，其中蕴含的语义信息无法通过简单规则直接提取。传统的条码识别、决策树分类等方法，依赖的是结构清晰、特征明确的数据，一旦面对图像、视频这类非结构化数据便显得力不从心。计算机视觉技术的出现，让机器具备了从海量图像样本中自动学习特征、完成识别与判断的能力。本章首先阐释神经网络的基本原理，以神经元为基本计算单元，通过前向传播产生预测结果，并利用反向传播与梯度下降更新参数，理解其与传统规则驱动方法的本质区别；随后介绍专为图像设计的卷积神经网络，讲解卷积核的局部特征提取、池化操作与经典网络架构的演进；在此基础上讨论目标检测任务——如何同时完成目标定位与分类，并介绍以实时性见长的YOLO算法的核心思想、版本演进与实操环节。最后结合仓储分拣、车牌识别、货物质检等物流场景，分析计算机视觉技术的应用价值与部署条件。

13.1 神经网络

13.1.1 神经网络的本质

决策树、聚类等分类与预测方法有一个共同特点：模型的结构和判断逻辑，是由人根据经验事先设计好的，决策树的每一个分裂节点、每一条判断规则，都需要通过信息熵计算或人工经验来确定，人在这个过程中扮演着"规则设计者"的角色，算法只是按照人给定的逻辑去执行。

神经网络提供了一种完全不同的思路。它的本质，是一个结构灵活、参数数量巨大的函数。这个函数接收一组输入数值，经过内部的层层计算，输出一组结果数值。与以往我们熟悉的函数（比如线性回归的 $y=wx+b$ ）不同的是，神经网络这个函数里的参数（权重）不是由人根据业务逻辑推导出来的，而是通过大量的输入输出样本，让机器自己试出来的。可以把它类比成用大量已知的自变量—因变量数据对，反过来去拟合一个未知函数的系数，只不过神经网络拟合的不是一条简单的直线或曲线，而是一个包含成千上万个可调参数、能够表达极其复杂非线性关系的函数。

这个函数具备两个关键特点。第一是万能逼近能力：只要网络结构足够复杂，层数与神经元数量足够多，配合非线性的激活函数，理论上它可以逼近任意复杂的输入输出映射关系，这意味着无论是判断一张图片里是否有货物破损，还是根据历史数据预测运单的运输时长，都可以用同一套数学框架来处理，区别只在于训练数据和网络规模不同。第二是参数由数据驱动生成，而非人工编码。这使得神经网络特别适合处理那些人类很难用明确规则描述、但又能提供大量样本的问题。例如"这张照片里的物体是纸箱还是编织袋"这类问题，人很难写出一条条判断规则，但可以轻易地准备成千上万张已标注的图片供机器学习。

神经网络的关键作用，可以概括为从原始数据中自动学习出有效的判断或预测能力，涵盖分类、回归、模式识别等任务。卷积神经网络、目标检测、YOLO，都是在这个"函数拟合"框架基础上，针对图像这类特殊数据类型做出的结构改进。

13.1.2 为什么需要神经网络

在物流信息化的发展历程中，以往的信息技术大多依赖于结构化、规则明确的数据。条码和RFID技术本质上是通过预先设定的编码规则，把物理实体转换成机器可以直接读取的结构化标识；数据挖掘中的决策树分类，处理的也是已经整理成表格形式的结构化特征数据，比如客户的历史订单量、地区、信用等级等字段。这类方法有一个共同的前提，就是数据本身的特征是清晰、可枚举的，人可以凭经验判断出哪些字段对分类结果重要。

但物流场景中存在大量非结构化数据，最典型的就是图像和视频，仓库监控画面、分拣线上的包裹照片、装卸货过程的视频记录。这类数据没有现成的"字段"可言，一张图片本质上只是一个由几十万甚至上百万个像素点组成的数值矩阵，图片中"是否存在破损""货物属于哪一类"这样的语义信息，并不能通过某个像素点的数值直接读出。

在神经网络及深度学习方法成熟之前，计算机视觉领域采用的做法是人工设计特征提取算法，例如边缘检测、纹理特征提取，先把图像转换成一组人为定义的特征数值，再把这些特征交给分类器，如决策树、支持向量机去判断。这种方式高度依赖设计者的经验，一旦应用场景变化，比如光照条件不同、拍摄角度不同，原来设计的特征提取规则往往就会失效，需要重新设计，泛化能力较差，开发成本也很高。

神经网络的出现，把"设计特征"这一步也交给了机器：不再由人去规定"应该关注图像的哪些统计特征"，而是让网络在大量带标注的图像样本中，自己学习出对完成任务最有效的特征表达方式。这类方法尤其适合以下几类问题：数据是高维、非结构化的（图像、语音、文本）；判断逻辑难以用显式规则描述，但能获得大规模标注样本；任务对细微模式的敏感度较高，人工规则容易遗漏边界情况。这正是计算机视觉技术得以在仓储分拣、车牌识别、货物质检等物流环节广泛应用的技术前提。

13.1.3 输入输出条件

神经网络的输入是数值化的向量或矩阵，可以是结构化的表格数据，也可以是图像的像素矩阵、文本的词向量序列等非结构化数据。与决策树等方法不同，神经网络不要求输入数据事先被加工成含义明确的"特征"，原始像素值即可直接作为输入，特征提取的工作由网络内部的隐藏层自动完成。

要让神经网络这个函数的参数被有效地训练出来，需要满足几个前置条件。一是规模化的标注数据，训练样本的数量级往往需要达到数千甚至百万级别，同时每个样本需要有人工标注的正确答案，标注质量直接决定模型效果的上限。二是较强的计算能力，神经网络的训练涉及大量的矩阵运算，通常依赖图形处理器（GPU）或专用人工智能芯片进行并行加速，这与此前章节中数据库查询、条码识别等对算力要求较低的技术形成明显对比。三是明确的优化目标，即需要定义一个用于衡量模型输出与真实答案差距的损失函数，训练过程就是不断调整参数以使这个损失函数的值变小。

根据任务类型的不同，神经网络的输出形式也不同。分类任务输出的是各类别对应的概率分布，例如判断一张图片属于"纸箱""塑料筐""编织袋"的概率分别是多少；回归任务输出的是连续数值，例如预测某批货物的运输时长。除了最终的任务结果，网络中间层计算出的特征表达本身也具有价值，这些特征可以被迁移到其他相关任务中复用。

13.1.4 从神经元到多层网络

1. 神经元

神经网络最基本的计算单元是神经元，它完成的是一次加权求和加非线性变换的运算。设某神经元接收 $n$ 个输入 $x_1, x_2, \dots, x_n$ ，每个输入对应一个权重 $w_1, w_2, \dots, w_n$ ，另有一个偏置项 $b$ ，计算过程可表示为式（13-1）和式（13-2）：

z = \sum_{i=1}^{n} w_i x_i + b = \mathbf{w}^T \mathbf{x} + b \tag{13-1}

y = f(z) \tag{13-2}

其中：

$\mathbf{x} = [x_1, x_2, \dots, x_n]^T$ 为输入特征向量；
$\mathbf{w} = [w_1, w_2, \dots, w_n]^T$ 为权重向量（Weight）；
$b$ 为偏置标量（Bias）；
$f(\cdot)$ 为激活函数；
$y$ 为神经元的最终输出。

激活函数的作用是给这个原本只能表达线性关系的加权求和引入非线性能力，常见的激活函数包括Sigmoid、tanh、以及目前应用最广泛的ReLU（ $f(z)=\max(0,z)$ ）。如果没有激活函数，无论叠加多少层，整个网络等效于一次线性变换，无法逼近复杂的非线性映射，这也是激活函数在神经网络中不可或缺的原因。常用的激活函数包括：

(1) Sigmoid 函数

将实数范围内的输入映射到 $(0, 1)$ 区间：

\sigma(z) = \frac{1}{1 + e^{-z}} \tag{13-3}

适用性与局限：早期常用于二分类模型的输出层。缺点是在输入绝对值较大时导数趋近于 0，容易在深层网络中引起梯度消失（Gradient Vanishing） 现象，且其输出均值不为 0。

(2) ReLU 函数（Rectified Linear Unit）

线性整流函数是目前深度学习中最广泛使用的激活函数：

\text{ReLU}(z) = \max(0, z) \tag{13-4}

适用性与局限：计算极其高效，且在正半区导数恒为 1，极大缓解了梯度消失问题，显著加快了收敛速度。缺点是在负半区导数恒为 0，可能导致部分神经元永久失活。

2. 多层感知机

单个神经元的表达能力有限，实际应用中会将大量神经元按层组织起来。多个神经元分层排列并按全互连方式连接，便构成了多层感知机（Multilayer Perceptron, MLP），通常也称为前馈全连接神经网络（Fully Connected Feedforward Neural Network）。

图13-1 多层感知机（MLP）拓扑结构示意图

多层感知机由输入层（Input Layer）、一个或多个隐藏层（Hidden Layer） 以及输出层（Output Layer） 组成。信息从输入层出发，逐层向后单向传递，直至在输出层产生预测结果，该过程称为前向传播（Forward Propagation）。

设第 $l-1$ 层的输出向量为 $\mathbf{a}^{(l-1)}$ ，则第 $l$ 层的计算公式为：

\mathbf{z}^{(l)} = \mathbf{W}^{(l)} \mathbf{a}^{(l-1)} + \mathbf{b}^{(l)} \tag{13-5}

\mathbf{a}^{(l)} = f^{(l)}(\mathbf{z}^{(l)}) \tag{13-6}

其中 $\mathbf{W}^{(l)}$ 和 $\mathbf{b}^{(l)}$ 分别表示第 $l$ 层的权重矩阵和偏置向量， $f^{(l)}(\cdot)$ 表示该层的激活函数。根据通用近似定理（Universal Approximation Theorem），一个包含足够神经元的单隐藏层前馈网络，配合非线性激活函数，理论上可以以任意精度逼近紧致集上的任意连续函数。

用伪代码描述一次前向计算（forward propagation）的过程如下：

输入: x (原始数据向量)
for 每一层 layer in 网络层序列:
    z = layer.权重矩阵 · 上一层输出 + layer.偏置向量
    a = 激活函数(z)
    上一层输出 = a
输出: 最后一层的 a 即为预测结果

2. Softmax 函数

经过上述前向传播后，网络最后一层输出的是一组实数得分（也称 logits）。例如在识别一张物流包裹图片属于"纸箱、木箱、托盘"中的哪一类时，输出层可能得到 $[2.1,\ -0.3,\ 1.5]$ 这样的结果。这组数值存在两个问题：一是可正可负、取值范围不受约束，无法直接解释为类别的可能性；二是各分数之间缺乏统一尺度，不便于横向比较。

Softmax 函数正是为解决这两个问题而设计的，它用于多分类任务的输出层，将包含 $K$ 个类别的得分向量转换为归一化的概率分布，定义见式（13-7）：

\text{Softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^{K} e^{z_j}}, \quad i \in \{1, 2, \dots, K\} \tag{13-7}

其中指数运算 $e^{z_i}$ 保证了所有输出均为正数，并放大了得分之间的相对差距；分母中的求和则起到归一化作用，使所有类别的输出之和恰好等于 $1$ 。因此，Softmax 的每个输出都可以直接解释为"样本属于该类别的概率"，例如上述得分经 Softmax 变换后约为 $[0.61,\ 0.06,\ 0.33]$ ，即可判断该包裹最可能属于"纸箱"类。这一输出形式也为后续计算交叉熵损失、开展模型训练提供了基础。

13.1.5 反向传播与梯度下降

🎬 教学动画：梯度下降与反向传播（2:09）

模型训练依赖的是反向传播（Backpropagation）配合梯度下降的机制：网络先按上述流程算出一个预测结果，再用损失函数计算这个预测结果与真实标签之间的误差；随后利用链式法则，从输出层往输入层反向逐层计算每一个权重对误差的影响程度（即梯度）；最后按梯度方向小幅调整每个权重，使误差逐渐减小。这个"预测—计算误差—反向调整参数"的循环会重复大量次数，直到网络的预测效果达到可接受的水平。这套训练机制是后续各类神经网络变体共同依赖的基础，不同变体的差异主要体现在网络层内部的具体计算方式上，而不是训练框架本身。

神经网络的学习本质上是通过调节参数矩阵 $\mathbf{W}$ 和偏置 $\mathbf{b}$ ，使得整体损失函数 $\mathcal{L}$ 达到极小值。图13-2展示了这一训练过程。

图13-2 神经网络前向传播与反向传播迭代优化流程

损失函数（Loss Function）用于度量网络输出的预测值 $\hat{y}$ 与真实标签 $y$ 之间的差异，是模型参数优化的指导准则。

均方误差（Mean Squared Error, MSE）：常用于连续值回归任务，如货物尺寸测量、坐标定位：
$\mathcal{L}_{\text{MSE}} = \frac{1}{N}\sum_{i=1}^N (y_i - \hat{y}_i)^2 \tag{13-8}$
交叉熵损失（Cross-Entropy Loss）：常用于分类任务，如货物种类识别、缺陷分类。对于 $K$ 分类问题，其形式为：
$\mathcal{L}_{\text{CE}} = -\sum_{k=1}^K y_k \log(\hat{y}_k) \tag{13-9}$
其中 $y_k \in \{0, 1\}$ 为类别独热（one-hot）标签， $\hat{y}_k$ 为 Softmax 输出的预测概率。

反向传播算法（Backpropagation, BP）基于微积分的链式求导法则（Chain Rule），将输出端的损失误差信号从后向前逐层传递，高效计算损失函数关于每一层权重和偏置的偏导数（即梯度 $\nabla \mathbf{W}$ 与 $\nabla \mathbf{b}$ ）。

为直观理解反向传播，可以看一个极简的标量链式传导微步示例：设神经元输入为 $x$ 、权重为 $w$ ，加权求和为 $z = w \cdot x$ ，激活输出为 $y = f(z)$ ，最终损失为 $\mathcal{L}(y)$ 。若要计算损失对权重 $w$ 的导数，依据微积分链式法则，求导链条就是：

\frac{\partial \mathcal{L}}{\partial w} = \frac{\partial \mathcal{L}}{\partial y} \cdot \frac{\partial y}{\partial z} \cdot \frac{\partial z}{\partial w} \tag{13-10}

反向传播不过是程序自动从后往前把这三项乘起来（误差反馈 $\times$ 激活导数 $\times$ 输入信号）。多层网络的复杂梯度计算，本质上也是由程序沿网络拓扑自动完成链式连乘。

在获得梯度后，采用梯度下降法（Gradient Descent） 更新参数：

\mathbf{W} \leftarrow \mathbf{W} - \alpha \frac{\partial \mathcal{L}}{\partial \mathbf{W}} \tag{13-11}

\mathbf{b} \leftarrow \mathbf{b} - \alpha \frac{\partial \mathcal{L}}{\partial \mathbf{b}} \tag{13-12}

其中 $\alpha > 0$ 称为学习率（Learning Rate），控制参数更新的步长。在实际训练中，常采用小批量随机梯度下降（Mini-batch SGD） 以及引入动量机制的自适应优化器（如 Adam），以在收敛速度与稳定性之间取得良好平衡。

13.2 卷积神经网络

13.2.1 与全连接神经网络的区别

神经网络的每一个神经元都与上一层的所有神经元相连，这种结构称为全连接。当输入是结构化的表格数据，比如客户订单记录中的若干字段时，全连接结构是合理的，因为字段与字段之间并不存在固定的空间位置关系，每个字段理论上都可能与输出结果相关。

但当输入变成图像时，全连接结构会暴露两个问题。第一是参数规模失控。一张分辨率为200×200的彩色图像，展开成向量后有200×200×3=120000个输入值，若第一个隐藏层设置1000个神经元，仅这一层的权重参数就达到1.2亿个，训练所需的数据量和计算资源随之急剧增加，模型也更容易在训练数据上过拟合。第二是忽略了图像的空间结构。全连接网络把图像展开成一维向量后，像素点原有的二维邻接关系被打散，一个像素与其相邻像素之间的关联，和它与图像另一端某个像素之间的关联，在网络看来没有任何区别，而图像中有意义的局部结构，比如包裹边缘的轮廓、货物表面的纹理，恰恰是由相邻像素之间的关系构成的。

卷积神经网络（Convolutional Neural Network, CNN）针对上述两个问题做出了结构性改动，其核心思路可以归纳为两点：一是让每个神经元只关注输入图像中一个局部区域（称为感受野），而非整张图像；二是让同一个特征检测器（即卷积核）在图像的不同位置上重复使用同一组参数，这称为权重共享。这两点合起来，就是卷积神经网络与普通神经网络最核心的区别，它把"全局无差别关联"替换成"局部关联加参数复用"，参数数量因此大幅下降，同时也更契合图像本身局部相关性强的特点。

表13-1 全连接网络与卷积网络的比较

维度	MLP	CNN
输入形式	一维向量，需先展平 $H \times W \times C$	三维张量，保留 $H \times W \times C$ 原始结构
首层参数量级（以 $224\times224\times3$ 输入为例）	全连接 1000 个隐藏单元，约 $1.5\times10^8$ 个参数	64 个 $3\times3$ 卷积核，约 $1.8\times10^3$ 个参数
空间拓扑关系	完全丢失，像素相对位置不再显式存在	完整保留，卷积核在二维平面上滑动运算
平移不变性	不具备	具备（依赖权值共享与池化操作）
典型输出形态	单一的类别得分向量	多通道特征图，可级联检测/分割等下游任务头

13.2.2 CNN计算流程

一个典型的卷积神经网络，是将"卷积层—激活函数—池化层"这一组合重复堆叠若干次，再在网络末端接入一至两层全连接层，最终输出分类结果，整体结构如图13-3所示：

图13-3 卷积神经网络基本处理流程示意图

前向计算的 PyTorch 示例代码如下：

import torch
import torch.nn as nn

class MiniCNN(nn.Module):
    """最小可运行卷积神经网络：卷积-激活-池化 × 2 + 全连接"""
    def __init__(self, num_classes=2):
        super().__init__()
        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.fc = nn.Linear(32 * 56 * 56, num_classes)

    def forward(self, x):
        x = self.pool(torch.relu(self.conv1(x)))
        x = self.pool(torch.relu(self.conv2(x)))
        x = torch.flatten(x, 1)
        return self.fc(x)

# 模拟一批 224×224 的三通道包裹图像（batch_size=4）
dummy_images = torch.randn(4, 3, 224, 224)
model = MiniCNN(num_classes=2)          # 二分类：良品 / 破损
logits = model(dummy_images)
print("输出张量形状:", logits.shape)     # 预期输出: torch.Size([4, 2])

训练过程仍然沿用反向传播与梯度下降机制，区别在于需要额外对卷积层的卷积核参数计算梯度，其数学推导虽然比全连接层复杂，但遵循同样的链式法则。

13.2.3 卷积核如何提取局部特征

🎬 教学动画：卷积与池化（2:42）

卷积核，也称滤波器（filter）是一个尺寸较小的数值矩阵，例如3×3或5×5。卷积运算的过程，是让这个卷积核在输入图像上按固定步长滑动，每滑到一个位置，就将卷积核与该位置覆盖的图像局部区域做对应元素相乘后求和，得到输出特征图（feature map）上的一个数值。以单通道、卷积核尺寸为 $F\times F$ 为例，输出特征图上位置 $(i,j)$ 的值为：

O(i,j)=\sum_{m=0}^{F-1}\sum_{n=0}^{F-1} I(i+m,\ j+n)\cdot K(m,n) + b \tag{13-13}

其中 $I$ 是输入图像矩阵， $K$ 是卷积核， $b$ 是偏置项。这个计算过程本质上是在检测该局部区域是否存在卷积核所代表的某种模式，比如一个训练好的卷积核，其数值分布可能恰好对边缘、角点或某种纹理特征敏感，当图像局部区域与该模式相似时，卷积运算结果会偏大。

卷积运算涉及两个需要设定的参数：步长（Stride），即卷积核每次滑动的像素数，步长越大，输出特征图尺寸越小，计算量也越小；填充（Padding），即在输入图像边缘补零，避免卷积过程中边缘像素被利用的次数少于中心像素，同时可用于控制输出尺寸。给定输入尺寸 $W$ 、卷积核尺寸 $F$ 、填充 $P$ 、步长 $S$ ，输出特征图的尺寸为：

W_{out} = \left\lfloor \frac{W - F + 2P}{S} \right\rfloor + 1 \tag{13-14}

实际网络中，每一个卷积层通常并不只使用一个卷积核，而是使用多个（例如32个、64个）不同的卷积核，每个卷积核提取一种特征，多个卷积核的输出叠加起来形成多通道的特征图，作为下一层的输入。网络越靠前的卷积层，提取的往往是边缘、颜色、纹理等较为初级的特征；越靠后的卷积层，由于感受野经过多层叠加后覆盖范围扩大，能够组合出更抽象、更接近语义层面的特征，例如轮廓形状甚至物体局部结构。

13.2.4 池化层

卷积层之后通常会接一个池化层（Pooling Layer），其作用是对特征图做下采样，在保留主要特征信息的同时压缩数据规模。最常用的是最大池化（Max Pooling），即在特征图上划定一个小窗口（例如2×2），取窗口内的最大值作为输出：

O(i,j) = \max_{(m,n)\in \text{窗口}} I(i+m,\ j+n) \tag{13-15}

另一种是平均池化（Average Pooling），取窗口内数值的平均值。池化操作带来两方面的效果：一是减少特征图的空间尺寸，从而降低后续层的计算量和参数量；二是使特征提取具备一定程度的位置不变性——即便检测目标在图像中发生了小幅平移，经过池化后的特征表达也基本保持稳定，这一点对于物流场景中包裹在传送带上位置、角度存在细微差异的识别任务尤为重要。

13.2.5 经典网络架构的演进

自20世纪90年代卷积神经网络的雏形LeNet被提出用于手写数字识别以来，卷积神经网络的架构经历了持续演进，几种代表性方案反映出不同阶段研究者解决问题的思路差异。

LeNet结构较浅，仅包含两组卷积和池化层加若干全连接层，适用于数字、字符这类结构较简单的图像识别任务。AlexNet在2012年将网络加深，并首次大规模采用ReLU激活函数与GPU并行训练，在图像分类竞赛中大幅超越此前基于人工特征的方法，验证了深度卷积网络在大规模图像数据上的有效性[2]。VGG系列的思路是统一采用小尺寸（3×3）卷积核并持续加深网络层数，通过堆叠多个小卷积核来达到与大卷积核相近的感受野，同时减少参数量。

网络层数的增加虽然理论上能提升特征表达能力，但层数过深会带来梯度在反向传播过程中逐层衰减、难以训练的问题。ResNet（残差网络）针对这一问题引入了跳跃连接（Skip Connection），让某一层的输出直接跨层叠加到后面某层的输入上：

\text{输出} = F(x) + x \tag{13-16}

其中 $F(x)$ 是该层原本要学习的映射， $x$ 是跳跃连接传递过来的原始输入。这一设计使梯度可以通过跳跃连接直接回传到较浅层，缓解了深层网络训练困难的问题，使得上百层甚至上千层的卷积网络得以有效训练，也成为此后目标检测网络中骨干网络的常见选择。

13.3 目标检测原理

13.3.1 与图像分类的区别

卷积神经网络，完成的是图像分类任务：输入一整张图像，输出这张图像属于哪一类别的概率分布。这一任务隐含着一个前提，图像中只存在一个需要判断的主体，网络只需要回答"这是什么"。但在物流场景的实际画面中，一张监控图像或分拣线画面往往同时包含多个物体：传送带上并排摆放的若干个包裹、仓库通道中的多辆叉车与行人、装卸区堆叠的不同类别货物。此时单纯的分类网络已经无法满足需求，因为它既不能说明图像中究竟有几个目标，也无法给出每个目标各自所在的位置。

**目标检测（Object Detection）**要解决的正是这一类问题：对于给定图像，需要同时完成两件事：定位（找出图像中每一个目标所在的位置，通常用一个矩形边界框表示）和分类（判断每一个被定位出的目标属于哪一类别）。可以把目标检测理解成分类任务的扩展：分类网络回答的是一个问题，这张图是什么，而目标检测网络要回答的是数量不定的一组问题，这张图里有几个目标，每个目标在哪里，分别是什么。这个"数量不定"是目标检测在技术实现上区别于分类任务的核心难点，一张图像里可能没有目标，也可能有几十个目标，网络的输出结构必须能够适应这种不确定性，而分类网络固定长度的输出向量无法直接胜任。

13.3.2 位置的数值化表达

要让神经网络这个函数能够输出"位置"这一信息，首先需要把位置转换成数值。目标检测中最常用的位置表达方式是边界框（Bounding Box），用一组数值描述一个矩形框，常见的表示方法有两种：一种是左上角与右下角坐标 $(x_{min}, y_{min}, x_{max}, y_{max})$ ；另一种是中心点坐标加宽高 $(x_{center}, y_{center}, w, h)$ 。无论采用哪种形式，网络最终都是把"定位"问题转化成一个回归问题，即预测一组连续数值，这与回归任务在数学形式上是一致的，区别只在于这里预测的数值有明确的几何含义。

判断一个预测出的边界框是否准确，需要一个量化指标，这就是交并比（Intersection over Union, IoU）。设预测框为 $A$ ，真实标注框（Ground Truth）为 $B$ ，IoU定义见式（13-17）：

IoU(A,B) = \frac{|A \cap B|}{|A \cup B|} \tag{13-17}

IoU取值范围为0到1，数值越接近1，说明预测框与真实框重合度越高。IoU在目标检测中承担着两个关键作用：一是在训练阶段，用于判断某个候选框应该被当作正样本（与某个真实目标高度重合）还是负样本（几乎不与任何真实目标重合），从而构造出可用于监督训练的标签；二是在预测阶段，用于评估模型输出结果的质量，以及后续去除冗余检测框。

13.3.3 候选区域的生成

目标检测面对的核心矛盾是，图像中目标的位置和数量事先未知，网络却需要在有限的一次前向计算中，穷举出可能存在目标的所有位置。围绕这一矛盾，出现了不同的技术方案。

最早、最直观的思路是滑动窗口（Sliding Window）：用一个固定尺寸的窗口在图像上按步长逐一滑过所有位置，每滑到一处，就把窗口内的图像区域截取出来送入分类网络判断是否包含目标、属于什么类别。这种方法逻辑简单，但计算量极大，图像中可能出现目标的位置组合数量庞大，且目标的尺寸大小不一，若要覆盖不同尺寸的目标，还需要用多种尺寸的窗口反复扫描整张图像，实时性较差，难以满足物流分拣等场景对处理速度的要求。

为了减少无效计算，两阶段方法应运而生，其代表是R-CNN系列（R-CNN、Fast R-CNN、Faster R-CNN）。这类方法把检测过程拆成两步：第一步先用一个专门的网络模块（如Faster R-CNN中的区域建议网络，Region Proposal Network, RPN）快速生成一批"可能存在目标"的候选区域，数量远少于滑动窗口穷举出的位置数；第二步再对这批候选区域逐一做精细的分类和边界框修正。这种"先粗筛、再精判"的两步走思路显著减少了需要精细计算的区域数量，检测精度较高，但由于分成两个阶段串行执行，整体速度仍然有限，对实时性要求较高的场景，例如高速运转的分拣产线存在瓶颈。

RPN生成候选区域时依赖一种称为锚框（Anchor Box） 的机制：预先在图像的每个位置上，按照几种预设的尺寸和长宽比布置一组参考框，网络不再直接从零预测目标的位置，而是预测目标框相对于最接近的锚框需要做怎样的微调，即偏移量。这种做法把一个开放性的位置预测问题，转化成一个有限选项集合下的微调问题，降低了网络学习的难度，也是此后包括YOLO在内多数检测网络沿用的设计思路。

13.3.4 冗余检测的去除

🎬 教学动画：NMS 与 YOLO 网格（1:52）

无论采用哪种候选区域生成方式，网络往往会对同一个真实目标给出多个高度重叠的检测框，因为多个相邻的候选区域或锚框都可能与该目标有较高的IoU。如果不做处理，一个目标会被重复输出多次，这需要通过非极大值抑制（Non-Maximum Suppression, NMS） 来消除冗余。其基本流程如下：

输入: 一组候选检测框，每个框带有类别置信度分数
1) 按置信度分数对所有候选框从高到低排序
2) 取出当前分数最高的框，加入最终输出列表，并从候选集中移除
3) 计算该框与候选集中剩余所有框的IoU
4) 将IoU超过设定阈值(如0.5)的框视为对同一目标的重复检测，从候选集中移除
5) 重复步骤2)-4)，直至候选集为空
输出: 最终检测框列表

NMS的作用是保留置信度最高、被认为最准确的那一个检测框，同时剔除与它高度重叠、大概率指向同一目标的其余框，是目标检测流程中在得到最终结果之前必不可少的后处理步骤。

13.3.5 目标检测网络整体流程

综合上述各环节，以两阶段方法为例，一个典型目标检测网络的整体流程可以概括为：

输入图像
  → 骨干网络(卷积神经网络)提取特征图      # 复用13.2节CNN结构
  → 候选区域生成(如RPN，基于锚框)
  → 对每个候选区域: 分类(是何类别) + 边界框回归(位置微调)
    → 非极大值抑制（去除冗余框）
输出: 一组(类别, 置信度, 边界框坐标)

目标检测网络的训练需要同时优化两个目标，因此其损失函数通常由两部分构成：

L = L_{cls} + \lambda L_{box} \tag{13-18}

其中 $L_{cls}$ 是分类损失，衡量类别预测的准确性，形式与普通分类网络的损失函数一致； $L_{box}$ 是边界框回归损失，衡量预测框坐标与真实框坐标之间的数值差异，常用均方误差或Smooth L1等形式； $\lambda$ 是用于平衡两部分损失相对权重的系数。这种"分类+回归"的联合训练方式，是目标检测网络区别于单纯分类网络或单纯回归网络的关键结构特征。

13.4 YOLO简介及应用

13.4.1 与两阶段方法的区别

Faster R-CNN等两阶段方法，其检测流程被拆分成"生成候选区域"与"对候选区域逐一分类和精修"两个先后执行的步骤，精度较高，但由于候选区域数量往往多达上千个，且需要逐一处理，整体运算耗时较长，难以满足物流分拣线、闸口车辆识别等场景对处理速度的严格要求，这类场景中，摄像头画面往往需要以每秒数十帧的速度实时处理，检测结果的延迟直接影响后续分拣、放行等物理动作的执行。

YOLO（You Only Look Once）针对这一瓶颈提出了不同的思路：不再区分"候选区域生成"和"分类精修"两个阶段，而是把目标检测整体设计成一次前向计算就能完成的单阶段回归问题。网络接收一整张图像作为输入，仅通过一次卷积神经网络的前向计算，直接在输出层同时给出图像中所有目标的类别与位置信息，不需要像两阶段方法那样先筛选候选区域再逐一处理。这正是"You Only Look Once"这一命名的由来，也是YOLO与两阶段方法最核心的区别：两阶段方法把检测拆成串行的两次判断，YOLO把检测压缩成一次统一的回归运算。这种设计带来的直接效果是推理速度的大幅提升，使得YOLO系列成为对实时性要求较高的物流视觉场景中最常被采用的方案。

13.4.2 实现原理

YOLO的原始研究见文献[5]。

YOLO实现"一次性回归"的关键，在于对输出结构做了巧妙设计。具体做法是将输入图像划分成 $S\times S$ 个网格（grid cell），每个网格单元负责预测中心点落在该网格内的目标。对每一个网格单元，网络输出以下内容：

$B$ 个边界框，每个边界框包含中心坐标、宽高，以及一个表示该框内存在目标可能性的置信度分数；
该网格单元属于各个预定义类别的概率分布。

整个网络最终输出的是一个尺寸固定的张量，形状大致为 $S\times S\times (B\times 5 + C)$ ，其中每个边界框贡献5个数值（4个位置坐标加1个置信度）， $C$ 为类别数量。这一设计的巧妙之处在于，无论图像中实际存在多少个目标，网络输出张量的尺寸始终固定，从而把一个数量不定的检测问题，转化成了一次尺寸固定的矩阵输出，这正是YOLO能够用单次前向计算完成检测的结构基础。

训练阶段的损失函数需要同时约束位置回归、置信度判断与类别分类三部分，其形式可以概括为：

L = \lambda_{coord}L_{coord} + L_{conf} + L_{cls} \tag{13-19}

其中 $L_{coord}$ 衡量预测框坐标与真实框坐标的偏差， $L_{conf}$ 衡量置信度预测的准确性（即该网格是否真的存在目标）， $L_{cls}$ 衡量类别预测的准确性， $\lambda_{coord}$ 是用于平衡坐标损失权重的系数。这一损失函数结构延续了13.3.5节提到的"分类+回归"联合训练思路，只是通过网格化的输出设计，将其整合进了一次性的前向计算中。网络得到原始预测结果后，仍需要经过13.3.4节介绍的非极大值抑制来去除同一目标上的重复检测框，这一后处理步骤在单阶段方法中同样不可或缺。

13.4.3 版本演进

YOLO自提出以来经历了多代版本迭代，各版本的改进大多围绕同一个核心矛盾展开，即如何在保持单阶段推理速度优势的同时，弥补相较两阶段方法在检测精度、尤其是小目标检测精度上的差距。早期版本采用较为简单的网格划分与全连接层输出，速度优势明显，但对密集排列的小目标，例如传送带上紧密堆叠的小件包裹容易出现漏检。此后的版本陆续引入了锚框机制、多尺度特征融合、以及更深的骨干网络，检测精度逐步接近乃至部分超过两阶段方法，同时仍保持远快于两阶段方法的推理速度。近年的版本进一步在网络结构轻量化、无锚框（anchor-free）预测方式、训练策略优化等方向持续改进，使得模型既能部署在高性能服务器上处理高并发的视频流，也能压缩后部署在边缘计算设备或嵌入式摄像头上，满足仓库现场算力有限场景下的实时检测需求。

13.4.4 应用案例分析

应用场景：在物流环节中，YOLO及其衍生模型的应用主要集中在需要实时、多目标识别的场景。在分拣中心，摄像头架设在传送带上方，对经过的包裹逐一检测其位置与边界框，为后续的机械臂抓取或自动分流装置提供坐标输入；在仓库出入库环节，用于识别托盘编号、货物外包装上的类别标识，配合条码或RFID实现多模态的货物核验；在园区与转运场，用于车辆车型识别、车牌定位，配合闸口管理系统实现自动放行；在安全管理方面，用于检测作业人员是否按规定佩戴安全帽、反光背心等防护装备，以及是否闯入叉车作业区等禁行区域，实时触发预警。

应用效果：相较人工目视检查或依赖固定光电传感器的传统方案，基于YOLO的视觉检测方案能够同时识别画面中的多个目标并给出各自的类别与位置，减少了对多组固定式传感器的依赖，也降低了因人工疲劳导致的漏检、错检。由于单阶段方法的推理速度优势，该类模型通常能够满足分拣线每秒处理数十帧画面的实时性要求，使得视觉检测环节可以直接嵌入高速运转的自动化产线，而不会成为限制产线整体节拍的瓶颈环节。检测精度则与训练数据的规模和标注质量密切相关，在实际部署中往往需要针对具体场景，如：特定光照条件、特定包装类型采集数据做进一步的模型微调，才能达到稳定可靠的识别效果。

13.4.5 实操环节

硬件要求：模型训练阶段建议配备支持CUDA的NVIDIA GPU（显存8GB以上），以保证卷积运算的训练效率；若仅做推理部署，普通GPU甚至部分算力较强的边缘计算设备也可满足实时性要求，具体取决于所选模型规模与画面分辨率。

软件环境配置：常用的软件环境包括Python 3.8及以上版本、PyTorch深度学习框架，以及封装了YOLO系列模型的开源库（如ultralytics库）。基本安装步骤如下：

# 创建并激活虚拟环境
python -m venv yolo_env
source yolo_env/bin/activate

# 安装依赖库
pip install ultralytics
pip install opencv-python

操作步骤与示例代码：以下伪代码及示例代码演示了加载预训练模型并对一张包裹图片做检测的基本流程。

步骤1: 准备数据
    - 收集目标场景下的图像（如传送带包裹照片）
    - 对图像中的目标标注边界框及类别，形成标注文件

步骤2: 加载预训练模型或初始化新模型

步骤3: (可选) 使用自有标注数据对模型做微调训练
    - 设置训练轮数(epoch)、批次大小(batch size)、学习率等超参数
    - 执行训练循环，监控损失函数下降情况

步骤4: 使用训练好的模型对新图像做推理
    - 输入图像 → 模型前向计算 → 输出检测框、类别、置信度
    - 对输出结果做非极大值抑制，得到最终检测结果

步骤5: 结果可视化或对接下游系统
    - 将检测框绘制在图像上，用于人工核验
    - 将坐标数据传输给分拣、抓取等执行设备

对应的Python示例代码（基于ultralytics库）：

from ultralytics import YOLO

# 加载预训练模型（也可加载自行微调后的模型权重文件）
model = YOLO("yolov8n.pt")

# (可选) 基于自有标注数据集做微调训练
# model.train(data="logistics_dataset.yaml", epochs=50, imgsz=640)

# 对单张图像做推理
results = model("package_conveyor.jpg")

# 解析检测结果
for result in results:
    for box in result.boxes:
        cls_id = int(box.cls)          # 类别编号
        conf = float(box.conf)         # 置信度
        xyxy = box.xyxy[0].tolist()    # 边界框坐标 [x_min, y_min, x_max, y_max]
        print(f"类别: {cls_id}, 置信度: {conf:.2f}, 位置: {xyxy}")

# 将检测结果绘制并保存
result.save(filename="detected_output.jpg")

该流程中数据标注的质量与规模直接决定微调后模型的实际效果，建议使用小规模的自建包裹图像数据集完成一次完整的标注、训练、推理全流程练习，以加深对检测原理的理解。

本章小结

本章介绍了神经网络、卷积神经网络、目标检测和YOLO在物流视觉场景中的基本原理与应用。神经网络以神经元为基本计算单元，通过前向传播产生预测结果，并利用反向传播、梯度下降和损失函数更新参数。卷积神经网络通过局部感受野和权重共享降低参数规模，同时保留图像的空间结构；卷积、激活和池化等操作逐层提取由低级到高级的图像特征。目标检测在图像分类的基础上增加了目标定位，需要同时输出目标类别、置信度和边界框，并通过分类损失与位置回归损失进行联合训练。YOLO将目标检测设计为单阶段回归问题，通过一次前向计算同时预测多个目标的位置和类别，适合分拣中心包裹定位、货物核验、车牌识别和作业安全监测等实时物流场景。实际部署还需关注数据标注质量、光照和视角变化、设备算力以及模型对具体场景的适应性。

课后习题

神经网络与传统决策树等规则驱动方法的本质区别是什么？为什么说神经网络更适合处理图像这类非结构化数据？
简述激活函数在神经网络中的作用。若一个多层网络中所有层都不使用激活函数，会出现什么问题？
简述反向传播与梯度下降配合完成模型训练的基本流程，并说明学习率这一参数的含义。
与全连接神经网络相比，卷积神经网络通过哪两个核心机制降低了参数规模？这两个机制分别解决了图像处理中的什么问题？
设输入特征图尺寸为 $32\times32$ ，卷积核尺寸为 $5\times5$ ，步长为 1，无填充，试计算卷积输出特征图的尺寸；若在其后接一个 $2\times2$ 、步长为 2 的最大池化层，输出尺寸又是多少？
目标检测任务与图像分类任务有何区别？为什么目标检测网络的输出结构设计比分类网络更复杂？
结合本章内容与物流实际，任选一个场景（如分拣线包裹检测、车牌识别、作业安全监测），分析部署基于YOLO的视觉检测方案需要具备哪些数据、算力与环境条件，并讨论可能影响识别效果的因素。

参考文献

[1] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2324.

[2] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

[3] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016: 770-778.

[4] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

[5] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016: 779-788.

[6] JOCHER G, CHANAL L, et al. Ultralytics YOLOv8 / YOLO11 / YOLO26[EB/OL]. https://github.com/ultralytics/ultralytics, 2024.

[7] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. Cambridge: MIT Press, 2016.

第13章 计算机视觉