图像分类、目标检测与图像分割的区别

面对同一张街景照片，计算机视觉能回答三种不同精度的问题。本文用一张照片串起图像分类、目标检测与图像分割三类任务：输出从一句话到一组框，再到逐像素的涂色图，难度与用途各不相同。

同一张照片，三种不同问法

面对同一张街景照片，你可以问三种问题。第一种是“这张图里主要是什么”，答案是“街道”；第二种是“有哪些东西、分别在什么位置”，答案是“左边一辆车，右边两个行人”；第三种最细致，要求把每个像素归到某个物体上，连车轮与地面的分界也要勾清。

这三种问法对应视觉最基本的三类任务：图像分类（image classification）、目标检测（object detection）与图像分割（image segmentation）。它们的难度依次递增，答案也从一句话变成一组框，再变成一张涂满颜色的图。

图像分类：给整张图一个答案

图像分类最简单：输入一张图，输出一个类别标签，通常还附带置信度。它假定画面中有一个主体，适合相册自动归类、工业零件合格判断等场景，只需判断“像不像”，不必理解空间位置。

典型做法是先由卷积网络提取整图特征，再交给分类器打分。由于它关注全局统计，当目标只占画面一角时，模型容易被大面积背景干扰。这也是复杂场景不能只靠分类解决的原因。

目标检测：既要知道是什么，也要知道在哪

目标检测更进一步：除类别外，还要用包围框（bounding box）标出位置。一张图里可能有任意多个目标，数量未知、大小不一、彼此遮挡，因此模型需要在大量候选区域上逐一判断，并剔除重复框。

检测器通常把任务拆成两步：先找出可能存在物体的区域，再判定类别并微调框的位置。行人检测、车辆检测、缺陷定位都属此类，自动驾驶与安防监控高度依赖它。评价时常看框的位置准不准、类别对不对等综合指标。

图像分割：把答案细化到每一个像素

分割把精度推到极致：为每个像素分配标签。语义分割只区分类别，把所有属于“道路”的像素涂成同色，不区分个体；实例分割则进一步区分个体，能把画面里三个人分别标成不同颜色。它适合需要精细边界的场景，如医学影像勾画病灶范围、卫星图统计耕地面积、视频会议的背景虚化。

本文为 AI 科普内容，仅用于知识普及，不构成任何技术选型、投资或职业决策建议。