目标检测：给你一张只有一条狗的图片，输入训练好的模型中（假设模型包含了所有类型的狗），不管狗出现在图片中的哪个位置，它都能被检测为狗；给你一张有两条狗的图片，输入网络，会生成两个bbox，均被检测为狗，无法进行个体的区分。
语义分割：对所有像素进行分类，图片中只要出现狗，都会被分为一类，同样无法进行个体的区分。
实例分割：在所有不同类的狗的像素都被分类为狗的基础上，对不同类的狗进行目标定位，再给上狗1和狗2的标签，这就是实例分割。
版权声明：本文为CSDN博主「剑走偏锋777」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/MUYEFENX/article/details/121872114
===================================================== github：https://github.com/MichaelBeechan CSDN：https://blog.csdn.net/
目标检测是计算机视觉中比较简单的任务，用来在一张图篇中找到某些特定的物体，目标检测不仅要求我们识别这些物体的种类，同时要求我们标出这些物体的位置。其中类别是离散数据，位置是连续数据。 目
YOLO系列 首先先说一下目标检测之one-stage和two-stage网络是什么意思？有什么区别？ 刚开始看目标检测的时候总能看见单阶段（one-stage）和两阶段（
因为最近学习任务比较紧(但也不妨碍元旦摆烂三天)，所以中间有几个实战Kaggle比赛就跳过了,等以后有时间再回头来看看。物体检测和数据集这一节花了有一天的时间，一直有一个bug困扰，后来改了代码把box
暂无评论