小区门口的刷脸闸机、手机产线上的质检相机、医院里的 CT 阅片、马路上的自动驾驶汽车——这些看起来毫不相干的场景，背后是同一门技术：视觉识别。

和 AI 绘画正好相反：生成模型是从无到有"画"出图片，视觉识别是从图片里"读"出信息——图里有什么、在哪里、边界在哪。

三大任务：分类、检测、分割

AI"看懂图片"其实就是三种由粗到细的玩法：

• 图像分类：这张图是什么？——输出一个标签。工业检测里的"OK/NG"判定就是最典型的分类：零件合格还是不合格；
• 目标检测：图里的东西在哪里、是什么？——输出一堆方框，每个框带类别和置信度。自动驾驶框出每辆车、每个人，安防抓拍同屏 30 张人脸，都是检测；
• 图像分割：每个像素归谁？——输出一张和原图一样大的"着色图"。医疗 CT 勾器官边界、自动驾驶区分道路和人行道，都是分割。

要求一个比一个高：分类只看整图，检测要定位到框，分割要精确到像素。接下来的问题是：这些能力是怎么实现的？

CNN：所有视觉模型的地基

三种任务背后，站着同一个地基——卷积神经网络（CNN）。它做图像分类的原理，拆开就四步：

1. 卷积核是"特征放大镜"：每个卷积核只认一种微观图案——边缘、拐角、纹理……它在图片上逐格滑动，遇到自己认的图案就给出高分；
2. 卷积层备着一排放大镜：几十个卷积核各认各的图案，各自扫一遍全图；
3. 扫完得到"特征地图"：地图上的每个数值，都代表图片对应小区域里"这种特征有多明显"——一张图片就这样变成了几十张边缘地图、纹理地图；
4. 池化层把地图缩小：特征图变小、感受野变大——前面几层认的是边缘纹理，后面几层就能认出"车轮""眼睛"这样的结构部件。

层层堆叠，网络从"认边缘"一路升级到"认部件"“认物体”，最后压平成特征向量、接上分类器，就能输出"这是只猫"。

ResNet：让网络"深"下去

按理说，网络越深，能认的特征越高级，效果应该越好。但人们发现层数堆到一定程度，效果反而变差——不是过拟合，是训练本身出了问题：深网络的成绩竟然还不如浅网络。

2015 年的 ResNet 用一个极其简单的改动解决了这个问题：残差连接——让每一小段网络的输出从 F(x) 变成 F(x) + x。

打个比方：传统网络像传话游戏，每层都把信息完整加工一遍再传下去，传几十层难免失真；残差连接则是"原稿直接送达，修改意见单独附上"——每层只负责学一个修正量，原始信息一路畅行。靠着这个改动，网络从十几层一路堆到上百层：34 层的 ResNet 轻松超越了 19 层的 VGG，而且层数越多优势越大。

ResNet 的本职是提取特征，而分类恰好是"只要特征好就行"的任务——特征里突出的区域，自然会得到分类器更多的关注。所以 ResNet 成了图像分类的标准骨干网络；它提特征的本领也被检测、分割网络大量借用——YOLOv3 的骨干 Darknet-53，就是残差连接的受益者。顺带一提，同门的 EfficientNet 研究的是另一件事：把网络的深度、宽度、输入分辨率按比例一起放大，用更小的代价榨出更高的精度。

YOLO：一眼看完全图

检测比分类多一层麻烦：既要认出是什么，还要框出在哪里。YOLO 之前的主流做法分两步走——先圈出一堆"可能有东西"的候选区域，再逐个区域细看分类。准是准，但慢。

2015 年的 YOLO（You Only Look Once，只看一眼）换了思路：把检测当成一次性的回归问题，一眼看完全图，所有框一次给齐。

做法很直观：把图片划分成 S×S 的网格，每个格子负责"认领"中心落在自己地盘里的目标，一口气预测三样东西——B 个候选框的位置和大小、每个框的置信度（这里到底有没有东西）、C 个类别的概率。所有预测打包成一个 S×S×(B×5+C) 的张量，图片从进网络到出结果只跑一遍。

这带来了巨大的速度优势：初版 YOLO 就能跑到每秒 45 帧，实时检测从此可行。代价是初版对小目标、成群目标不太灵——一个格子的能力毕竟有限。后来的 YOLOv3 换上了 ResNet 家族的 Darknet-53 骨干，并在 13×13、26×26、52×52 三种尺度的网格上同时预测：大格子管大目标，小格子管小目标，把短板补上了。此后 YOLO 一路快速迭代，"检测 = YOLO"几乎成了行业默认。

U-Net：先压缩，再对照原稿还原

分割要输出和原图一样大的预测，难处在于：既要懂全局——这是什么器官、大概在哪儿；又要抠细节——边界精确到像素。

同样诞生于 2015 年的 U-Net，结构像字母 U：

• 左半边一路下采样：图片不断被压缩，看得越来越"概括"，把握全局语义；
• 右半边一路上采样：逐步放大回原尺寸，恢复空间细节；
• 中间的横线（skip connection）是关键：压缩时丢掉的细节（边缘、纹理），直接从左半边对应层"抄"过来，拼接到右半边的特征上。

打个比方：这像修复一幅画——先退远看清整体布局，再凑近描细节，描的时候随时把原照片垫在旁边对照，细节不会丢。

U-Net 为医疗图像而生：结构简单，而且专门考虑了医疗标注极其昂贵的问题，很少的训练样本就能练出不错的效果，至今仍是医疗分割的默认起点。AI 绘画的 Stable Diffusion 里负责去噪的网络，也是 U-Net 的变体——它的用武之地远不止分割。

串起来看

把它们放在一起看，其实是四种各司其职的关键技术：

技术	代表网络	解决什么	一句话
卷积 + 池化	CNN	地基：怎么从图片里提特征	放大镜扫图 + 池化缩图
残差连接	ResNet	深度：网络堆不深怎么办	原稿直通，每层只学修正量
单阶段网格检测	YOLO	速度：检测太慢怎么办	一眼看全图，网格认领目标
压缩-还原结构	U-Net	精度：分割要精确到像素怎么办	先压缩看全局，再对照原稿还原细节

应用和网络的对应也很整齐：

• 安防：人脸抓拍是检测（YOLO 类），人脸比对是分类思想（提取特征向量，比相似度）；
• 工业检测：OK/NG 是分类，框出缺陷是检测，量尺寸、勾轮廓是分割——一条产线集齐三大任务；
• 医疗图像：U-Net 的主场；
• 自动驾驶：检测框用 YOLO 类模型，道路着色用分割模型。

还有一个巧合：ResNet、YOLO、U-Net 三个奠定行业格局的网络，都诞生于 2015 年。

写在最后

视觉识别没有生成模型那么出风头，但可能离生活更近：刷脸进门、零件质检、CT 阅片、辅助驾驶，背后跑的都是这几项关键技术。

延伸阅读

• Very Deep Convolutional Networks for Large-Scale Image Recognition——VGG
• Deep Residual Learning for Image Recognition——ResNet
• You Only Look Once: Unified, Real-Time Object Detection——YOLO v1
• YOLOv3: An Incremental Improvement——YOLOv3（Darknet-53 与多尺度检测）
• U-Net: Convolutional Networks for Biomedical Image Segmentation——U-Net
• EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks——EfficientNet