https://yennj12.js.org/yennj12_blog_V4/tags/map/Recent content in MAP on YennJ12 Engineering BlogHugo -- gohugo.ioen-usSun, 21 Jun 2026 12:00:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase4-part2-detection-segmentation-zh/Sun, 21 Jun 2026 12:00:00 +0800https://yennj12.js.org/yennj12_blog_V4/posts/ai-eng-from-scratch-phase4-part2-detection-segmentation-zh/大多數人以為「目標偵測」只是把框畫出來， 用最新的預訓練模型跑一跑就算完成。 真正的工程挑戰是：在 10ms 內偵測 20 個物件、 同時讓精度在邊緣設備上不低於雲端 80%。 面試情境 你負責一套工廠自動化視覺系統，需要在產線 conveyor belt 上即時偵測瑕疵零件（< 1cm² 小缺陷），相機 30fps，邊緣 GPU 只有 RTX 3060（12GB VRAM），允許誤報率 ≤ 2%，漏報率 ≤ 0.5%。請說明你會選擇什麼模型架構、訓練策略與部署優化方案。 一、核心問題：分類 vs 偵測 vs 分割的本質差異 影像理解有三個遞進的問題層次，每一層的工程複雜度都數量級地跳升： 分類（Classification）：圖裡有什麼？ 輸出：一個類別標籤 + 信心分數 代表模型：ResNet、EfficientNet 瓶頸：無法回答「在哪裡」「有幾個」 偵測（Detection）：圖裡有什麼、在哪裡？ 輸出：N 個邊界框（bounding box）+ 類別 + 信心分數 代表模型：YOLO 系列、Faster R-CNN 瓶頸：需處理多尺度、密集排列、遮擋問題 分割（Segmentation）：每個像素屬於哪個類別/哪個實例？ 語義分割：每像素給類別標籤，不區分實例（FCN、U-Net） 實例分割：每個物件實例有獨立 mask（Mask R-CNN） 全景分割：語義 + 實例的聯集（Panoptic FPN） 瓶頸：標注成本高（偵測框 30 秒/張 vs 多邊形分割 10 分鐘/張） 工程上選擇哪個任務，核心取捨在於： 任務 標注成本 推論延遲（A100） 典型應用 分類 低（1 秒/張） 2–5ms 內容稽核、產品分類 偵測 中（30 秒/張） 5–30ms 車牌辨識、人流計數 語義分割 高（5 分鐘/張） 15–80ms 自駕車道路解析 實例分割 極高（10 分鐘/張） 30–150ms 機器人抓取、醫療影像 二、三個演進階段（POC → MVP → Scale） ╔══ Phase 1：POC / < 1K 張/天 ══╗ ┌─────────────────────────────────────────────────┐ │ 原始影像 │ │ │ │ │ ▼ │ │ ┌──────────────────────┐ │ │ │ YOLOv8n pretrained │ COCO 預訓練 │ │ │ (Ultralytics CLI) │ 直接 fine-tune │ │ └──────────┬───────────┘ │ │ │ │ │ ▼ │ │ JSON/CSV 結果輸出 → 人工審查 │ └─────────────────────────────────────────────────┘ 工具：Ultralytics yolo train CLI，Roboflow 標注 成本：單張 T4 GPU $0.