R-CNN 系列演算法都有獲取候選區域這個步驟，然而也是因為分為兩步驟進行，雖然精準，但偵測速度受到了限制。因此另一派演算法選擇拋去這個步驟，最具代表性的模型為 YOLO (You Only Look Once) 與 SSD (Single Shot multibox Detector)。

YOLO

YOLO 由 Joseph Redmon 在 2015 年提出，核心思想是「將目標偵測視為一個單一的回歸問題，直接從完整的圖像像素，預測出邊界框座標和類別機率。」流程如下

1. 劃分網格：YOLO 首先將輸入圖片縮放到一個固定尺寸（例如 416×416），然後將其劃分成一個 S×S 的網格（例如 13×13）。

2. 中心點歸屬：如果一個物體的中心點，落在了某一個網格單元 (grid cell) 內，那麼這個網格單元就全權負責預測這個物體。

3. 單次預測：每個網格單元，都會同時預測 B 個邊界框 (bounding box)，以及這些邊界框的置信度 (confidence score)，還有 C 個類別的條件機率。

• 邊界框：每個框包含5個值 (x, y, w, h, confidence)。x, y 是相對於網格單元的中心點座標，w, h 是相對於整張圖的寬和高。

• 置信度：
  

它同時反映了這個框內「包含物體的機率」以及「預測框與真實框的交併比 (IOU)」。

• 類別機率：
  

它表示在「確定這個網格包含物體」的前提下，這個物體屬於各個類別的機率。

4. 結果解碼：最後，在推理時，我們將每個網格的類別機率與其邊界框的置信度相乘，得到每個框針對每個類別的最終分數。再使用非極大值抑制 (Non-Maximum Suppression, NMS) 來消除對同一個物體的多餘檢測框，得到最終結果。

YOLO 將整個偵測問題，用一個單一的卷積神經網路來端到端地解決，這使得它的速度極快，光 YOLOv1 當時就能達到 45 FPS。

SSD

SSD 在 YOLOv1 提出後不久也相繼誕生，它借鑑了 Faster R-CNN 中的錨框概念，並在一個 CNN 網路不同深度的卷積層上，分別進行預測。流程如下

1. 多尺度特徵圖: SSD 使用一個 VGG-16 作為主幹網路，但它並不像分類任務那樣只使用最後一層的特徵。它會從主幹網路中，由淺到深地選取多個不同尺寸的特徵圖。

2. 分層預測：

• 淺層的、高解析度的特徵圖（例如 38×38），被用來偵測小目標。因為它們保留了更多細節的空間資訊。

• 深層的、低解析度的特徵圖（例如 10×10, 3×3），被用來偵測大目標。因為它們擁有更大的感受域和更抽象的語意資訊。

3. 預設框 (default boxes)：類似於 Faster R-CNN 的錨框，SSD 在每個特徵圖的每個位置，都預先定義了一組不同長寬比和尺寸的預設框。模型的任務，就是預測這些預設框相對於真實物體的偏移量，以及框內物體的類別。

透過在多個尺度的特徵圖上同時進行預測，SSD 能夠適當地處理不同大小的物體，在保持極高速度的同時，其偵測精度甚至能媲美當時的 Faster R-CNN，是一個在速度與精度上都取得了平衡的模型。

使用 OpenCV 運行預訓練的 YOLOv3

首先到以下網址下載 cfg、weights 跟 coco.names

https://pjreddie.com/darknet/yolo/

https://github.com/pjreddie/darknet/blob/master/data/coco.names

import cv2
import numpy as np

# --- 1. 載入 YOLOv3 模型 ---
print("正在載入 YOLOv3 模型...")
# cv2.dnn.readNet(weights_path, config_path)
net = cv2.dnn.readNet("yolov3.weights", "yolov3.cfg")
# 載入所有類別名稱
with open("coco.names", "r") as f:
    classes = [line.strip() for line in f.readlines()]
# 獲取輸出層的名稱
layer_names = net.getLayerNames()
output_layers = [layer_names[i - 1] for i in net.getUnconnectedOutLayers()]
print("模型載入完成！")

# --- 2. 讀取圖片 ---
image_path = "dog.jpg" # 換成你自己的圖片
img = cv2.imread(image_path)
height, width, channels = img.shape

# --- 3. 圖片預處理並送入網路 ---
# YOLO 需要特定的輸入尺寸，這裡使用 416x416
# cv2.dnn.blobFromImage(image, scalefactor, size, mean, swapRB, crop)
blob = cv2.dnn.blobFromImage(img, 0.00392, (416, 416), (0, 0, 0), True, crop=False)
net.setInput(blob)
outs = net.forward(output_layers)

# --- 4. 解讀輸出並進行非極大值抑制 ---
class_ids = []
confidences = []
boxes = []

for out in outs:
    for detection in out:
        scores = detection[5:]
        class_id = np.argmax(scores)
        confidence = scores[class_id]
        
        # 過濾掉置信度低的預測
        if confidence > 0.5:
            # 將邊界框座標還原到原始圖片的尺寸
            center_x = int(detection[0] * width)
            center_y = int(detection[1] * height)
            w = int(detection[2] * width)
            h = int(detection[3] * height)
            
            # 計算左上角的座標
            x = int(center_x - w / 2)
            y = int(center_y - h / 2)
            
            boxes.append([x, y, w, h])
            confidences.append(float(confidence))
            class_ids.append(class_id)

# 使用非極大值抑制 (NMS) 來消除多餘的重疊框
# score_threshold: 置信度閾值
# nms_threshold: NMS 的 IoU 閾值
indexes = cv2.dnn.NMSBoxes(boxes, confidences, 0.5, 0.4)

# --- 5. 視覺化最終結果 ---
font = cv2.FONT_HERSHEY_PLAIN
colors = np.random.uniform(0, 255, size=(len(classes), 3)) # 為每個類別隨機生成一種顏色

if len(indexes) > 0:
    for i in indexes.flatten():
        x, y, w, h = boxes[i]
        label = str(classes[class_ids[i]])
        confidence = str(round(confidences[i], 2))
        color = colors[class_ids[i]]
        
        cv2.rectangle(img, (x, y), (x + w, y + h), color, 2)
        cv2.putText(img, label + " " + confidence, (x, y + 20), font, 20, color, 20)

cv2.imshow("YOLOv3 Detection", img)
cv2.waitKey(0)
cv2.imwrite("result.jpg", img)
cv2.destroyAllWindows()

結果