计算机视觉术语词典

计算机视觉让机器处理图像和视频。它既包括传统识别任务，也包括现代多模态理解和图像生成。下面按任务和技术整理常见术语。

图像基础

像素 Pixel：图像最小单位。分辨率越高，像素越多，细节越丰富，计算成本也更高。

通道 Channel：图像颜色维度。RGB 图像有红、绿、蓝三个通道。

特征 Feature：模型从图像中提取的有用信息，例如边缘、纹理、形状或更抽象的语义。

经典任务

图像分类：判断整张图属于哪类，例如猫、狗、汽车。

目标检测 Object Detection：找出图中物体的位置和类别，通常输出边界框。

图像分割 Segmentation：把图像按像素划分区域。语义分割关注类别，实例分割区分同类中的不同个体。

姿态估计 Pose Estimation：识别人体或物体关键点，例如肩、肘、膝。

模型和方法

CNN：卷积神经网络，擅长提取局部图像特征。

Backbone：视觉模型的主干网络，用于提取基础特征。

YOLO：常见实时目标检测系列方法，强调速度和检测效果平衡。

ViT：Vision Transformer，把图像切成 patch 后用 Transformer 处理。

评估指标

IoU：预测框和真实框的重叠比例。

mAP：目标检测常用综合指标，衡量不同类别和阈值下的检测效果。

Top-1 Accuracy：分类任务中，最高概率类别是否正确。

易混淆点

分类只回答“图里是什么”，检测回答“在哪里有什么”，分割回答“每个像素属于什么”。检测框准不代表分割边界准，图片生成好看也不代表视觉识别准确。

实战建议

做视觉项目时，先确定任务类型，再收集合适标注。很多问题卡在数据标注质量，而不是模型结构。部署时还要考虑光照、角度、模糊、遮挡和设备性能。