目標偵測（object detection）

目標偵測回答的問題比分類更豐富：不只是圖裡有什麼，而是有什麼、在哪裡，而且一次把所有東西都找出來。它的輸出是一組框，每個框圈住一個物體，並帶上標籤和信心度——這邊「人，0.88」，那邊「車，0.95」，角落裡「狗，0.71」。一張街景照片返回十幾個框很常見。分類對整張圖只給一個判斷，偵測則把許多東西同時定位並貼上標籤。

可以把它看成兩件事合在一起：在某個東西周圍畫出一個貼合的矩形（邊界框），再說出框裡是什麼。早期系統用滑動視窗一格格掃描，做得很慢；現代系統則學會先「提議」可能有物體的區域，再在一次快速的處理中給它們貼標籤。模型還得自己判斷到底有幾個物體——人群場景和一張空桌子需要的框數天差地別——這讓任務比挑一個標籤真的難得多。

它是自動駕駛感知、零售貨架盤點、安防攝影機，以及幫你標記人臉的相簿應用背後的主力。但誠實的提醒也實實在在：偵測器會漏掉又小又遠或彼此重疊的物體；會在陰影和反光上誤報；一旦物體、光線或拍攝角度與訓練數據不同，準確率就會陡降。一個在白天城市街道上表現出色的偵測器，到了夜裡或大雨中可能就不可靠——這正是為什麼安全攸關的系統從不單獨信任它。