目标检测模型 (Object Detection)

备注

本页面介绍DaoAI World模型的目标检测类型。返回 DaoAI World模型主页

模型简介

目标检测模型用于识别图像中的物体，并为每个检测到的物体输出：

边界框坐标 (x, y, width, height)
类别标签 (如：car, person, dog等)
置信度分数 (0~1之间的浮点数)

适用场景

目标检测模型适用于以下场景：

安防监控：检测人员、车辆、异常物体
智能交通：车辆计数、车型识别、违章检测
工业质检：产品缺陷检测、零件识别
零售分析：商品识别、货架检测、客流分析
农业应用：作物病虫害检测、成熟度判断

输出格式

目标检测模型的输出为JSON格式，包含检测到的所有物体信息：

{
  "detections": [
    {
      "class": "car",
      "confidence": 0.95,
      "bbox": {
        "x": 100,
        "y": 150,
        "width": 200,
        "height": 150
      }
    },
    {
      "class": "person",
      "confidence": 0.88,
      "bbox": {
        "x": 350,
        "y": 200,
        "width": 80,
        "height": 180
      }
    }
  ],
  "count": 2
}

字段说明：

class: 检测到的物体类别
confidence: 检测置信度（0~1）
bbox: 边界框坐标
- x, y: 边界框左上角坐标
- width, height: 边界框宽度和高度
count: 检测到的物体总数

配置示例

基础配置

{
  "step_name": "vehicle_detection",
  "image": "input.image",
  "model_type": "detection",
  "confidence": 0.5
}

多类别不同阈值

针对不同类别设置不同的置信度阈值，适用于某些类别需要更高精度的场景：

{
  "step_name": "traffic_detection",
  "image": "camera.frame",
  "model_type": "detection",
  "confidence": 0.3,
  "label_confidence_thresholds": {
    "car": 0.5,
    "truck": 0.6,
    "person": 0.7,
    "bicycle": 0.4
  }
}

使用技巧与最佳实践

置信度阈值调整
- 初始建议值：0.5
- 高精度场景（如工业质检）：0.7-0.9
- 高召回场景（如安防监控）：0.3-0.5
性能优化
- 对于高分辨率图像，建议启用GPU加速
- 批量处理时可调整batch size以提高吞吐量
- 实时应用建议使用较小的模型以降低延迟
处理重叠物体
- 模型会自动进行NMS（非极大值抑制）去除重复检测
- 如需调整NMS阈值，可在高级设置中配置
提高检测精度
- 确保训练数据包含足够的样本多样性
- 使用数据增强提高模型泛化能力
- 针对特定场景调整置信度阈值

常见问题

Q: 检测结果中出现很多误检怎么办？

A: 可以提高 confidence 阈值来过滤低置信度的检测结果。建议从0.5开始逐步调整。

Q: 小物体检测效果不好？

A: 小物体检测是目标检测的难点。建议：

使用更高分辨率的输入图像

在训练时增加小物体样本

降低该类别的置信度阈值

Q: 边界框坐标是相对坐标还是绝对坐标？

A: 边界框坐标为绝对像素坐标，与输入图像的分辨率对应。

Q: 如何统计特定类别的数量？

A: 可以在下游节点中对 detections 数组进行过滤和计数，或使用专门的统计节点。

应用案例

案例1：车辆计数系统

使用目标检测模型识别道路上的车辆，结合跟踪算法实现车流量统计。

{
  "step_name": "vehicle_counter",
  "model_type": "detection",
  "confidence": 0.6,
  "label_confidence_thresholds": {
    "car": 0.6,
    "truck": 0.65,
    "bus": 0.7
  }
}

案例2：人员安全监控

检测工作区域内的人员和安全装备，确保作业安全。

{
  "step_name": "safety_monitor",
  "model_type": "detection",
  "confidence": 0.5,
  "label_confidence_thresholds": {
    "person": 0.7,
    "helmet": 0.6,
    "safety_vest": 0.6
  }
}