深度學習知識地圖 · 電腦視覺
YOLO
物件偵測
觀念教學
YOLO (You Only Look Once) 是即時物件偵測演算法，一次掃描就能同時預測所有物體的位置和類別。
白話說明
傳統偵測方法像拿放大鏡一塊一塊掃圖片，YOLO 是一眼看完整張圖，直接告訴你「左邊有一台車、右邊有一個人」。所以叫 You Only Look Once（你只需要看一次）。
使用場景
即時物件偵測、自動駕駛（偵測行人/車輛）、監控系統、機器人視覺。
優點
速度極快（可達即時 30+ FPS）、準確度高、部署方便。
缺點
小物體偵測較弱（新版本持續改善）、密集物體容易漏偵測。
版本演進
YOLOv1 → v3 → v5 → v8 → YOLO11，每代都在速度和準確度上提升。
應用場景
評估指標
iPAS 歷屆考題詳解(2 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某工廠導入即時影像瑕疵偵測系統，需在高頻影像流中進行快速推論。工程師在YOLO 與 Faster R-CNN 兩種物件偵測架構之間進行評估，請問下列哪一個針對兩者在偵測流程設計上的差異最為正確？
- AYOLO 採用單階段偵測，直接從整張影像預測物件位置與類別；Faster R-CNN則先產生候選區域再進行分類
- BYOLO與Faster R-CNN皆採用兩階段流程，但在特徵擷取方式上有所不同
- CYOLO採用單階段架構，主要透過增加候選區域數量來提升偵測準確率
- DFaster R-CNN採用單階段偵測方式，將物件定位與分類整合於同一模型中
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
YOLO(You Only Look Once)是單階段(One-Stage)偵測器:整張影像一次前向傳播,直接在網格或錨點上同時回歸物件位置與類別,省去候選區域步驟,速度快,適合高頻影像流的即時瑕疵偵測。Faster R-CNN 是兩階段(Two-Stage)代表:第一階段由 RPN(Region Proposal Network)產生候選區域,第二階段再對每個候選框做分類與框回歸,精度通常較高但延遲較大。工廠即時檢測評估 YOLO,正是看重單階段的速度優勢。
【為何其他選項錯了?】
- (B):YOLO 不是兩階段架構,「皆採用兩階段」的前提即錯誤。
- (C):YOLO 沒有候選區域機制,不可能「靠增加候選區域數量提升準確率」;候選區域是 Faster R-CNN 的設計,此選項混淆了兩種架構的特徵。
- (D):Faster R-CNN 是兩階段架構的代表,其 RPN 候選區域階段正是兩階段設計的核心,說它單階段與其架構定義不符。
提示:YOLO 單階段:一次前向同時回歸位置與類別;Faster R-CNN 兩階段:先產生候選區域再分類。
某製造業廠區計劃導入 AI 影像分析系統，希望統計各產線員工穿戴安全帽與反光背心的整體遵從率，作為職業安全管理改善的參考依據。為兼顧職業安全管理與員工隱私保護，系統在分析及產出報表時不得識別或記錄任何特定員工的身分資訊。下列何種 AI 技術最適合此需求？
- A採用物件偵測（Object Detection）辨識影像中的安全帽與反光背心，並統計各產線的整體穿戴遵從率；
- B採用人臉辨識（Face Recognition）辨識未穿戴防護具的人員，再彙整各產線的穿戴遵從率；
- C採用步態分析（Gait Analysis）辨識員工身分，再分析各產線的穿戴情形，以利後續改善安全管理；
- D採用行為分析（Behavior Analytics）結合個人歷史紀錄，預測員工未來未穿戴防護具的風險，作為改善依據
看正解與逐選項詳解
正解:A
正確答案:(A)
【正解解析】
題幹有兩項條件:一是統計「整體遵從率」,只需要知道畫面中有多少人有穿戴、多少人沒穿戴;二是「不得識別或記錄任何特定員工的身分」。物件偵測(Object Detection)可在影像中框出人員、安全帽與反光背心等物件並計數,不涉及辨識個人身分,既能產出各產線的穿戴統計,又符合隱私保護原則,故 (A) 正確。
【為何其他選項錯了?】
- (B):人臉辨識(Face Recognition)的目的就是辨識特定個人,即使最後只彙整成比率,過程中仍會識別並可能記錄員工身分,直接違反題幹的隱私限制。
- (C):步態分析(Gait Analysis)以走路姿態辨識個人身分,同樣屬於生物特徵識別,仍會識別特定員工,不符合不得識別身分的要求。
- (D):結合「個人歷史紀錄」預測特定員工未來的違規風險,必然要建立可識別個人的資料檔案,不僅違反隱私限制,也偏離題幹「統計整體遵從率」的目標。
提示:題幹出現「整體統計」加「不得識別個人身分」,選擇只偵測物件不辨識身分的技術;人臉、步態、個人紀錄都屬身分識別,應排除。