目标检测这件事，最容易卡在“跑通了别人的 demo，但换一个数据集就不知道从哪下手”的阶段。你能背出 IoU 公式，也能说出 YOLO 是单阶段检测器，可真让你从标注数据开始搭一条训练流水线，问题就来了：anchor 怎么设、正负样本怎么分、mAP 掉了该查哪里。这门《从零实战目标检测》是 CV 高级班的先导课之一，定位很清楚——把检测这条线从概念到能落地的完整链路先打通一遍，后面的高级内容才有地方挂。

先确认你是不是这门课的目标读者

如果你的情况符合下面任意一条，学它是有性价比的：分类模型调过几个，但对“框”这件事只有模糊印象；用现成检测框架跑过结果，却说不清损失函数里每一项在管什么；准备转岗到视觉方向，简历上需要一个能讲透的检测项目；或者只是想在啃 Faster R-CNN、DETR 这类论文前，先把地基垫平。

反过来，如果你已经独立训练过多个检测模型、能手写 NMS 和标签分配逻辑，这门课对你偏基础，直接跳去高级班主干内容更合适。

它解决的能力缺口在哪

目标检测的难点从来不是“知道有哪几种算法”，而是几个具体环节的衔接。这门课按三阶段铺开，对应的正是三处常见断点。

第一处是基础概念到代码的距离。分类任务的输出是一个向量，检测的输出是一堆带位置和类别的框，中间隔着坐标编码、尺度变换、正负样本定义。课程第一阶段把检测问题的形式化、评价指标、数据标注格式讲清楚，让你在写第一行训练代码前，知道自己要优化的是什么。

第二处是主流体系的内在逻辑。单阶段和两阶段不是并列的两个名词，而是两种取舍：精度与速度、候选区域与密集预测、anchor-based 与 anchor-free。第二阶段围绕这些主流算法展开实现，重点在于让你看懂每种设计为什么这么选，而不是记住结论。

第三处是“现在大家在用什么”。检测领域迭代快，第三阶段跟最新进展，帮你不至于学完就发现方法已经换代。

练习和检验标准

课程强调从零实战，意味着你会经历一条完整链路：准备并转换标注数据、搭数据加载、选择并实现模型、定义损失、训练调参、推理后处理、算指标看结果。每个环节都有对应的动手内容，而不是只跟着视频敲一遍就过。

学完之后，你应该能回答这几个问题：给定一份自定义标注数据，如何整理成检测模型可读的格式；训练时正负样本是怎么划分的，样本不平衡如何缓解；mAP 计算里 precision 和 recall 在每一类上如何逐阈值累积；模型漏检小目标，可以从数据、anchor 设置、特征层哪几个方向排查；NMS 的阈值调高调低分别带来什么后果。能把这些讲清楚，先导课的目的就达到了。

怎么用这门课

建议按阶段推进，但别只看不写。第一阶段的概念部分可以快速过，遇到指标计算一定要手动推一遍；第二阶段的算法实现部分，试着脱离教程自己复现关键模块；第三阶段的前沿内容当成地图，记下感兴趣的方向，留给后续深入。手边最好常备一个自己的小数据集，哪怕只有几百张图，用它把整条链路走通一遍，比在公开数据集上刷高几个点更有价值。

先导课不承诺让你变成检测专家，它要做的是把该补的洞补上，让后面的高级内容接得住。缺什么补什么，从这里开始。