大讲堂
上周跟一个做工业质检的老炮吃饭，他拍桌子骂了十分钟——说现在吹的什么”通用AI视觉”，连传送带上一个歪了5度的金属垫片都认不准，钱花了两百万，项目卡了八个月。
说的就是目标检测。
别听那些科普文把它吹成神。本质上，它就是AI视觉体系里最”笨”但最吃功夫的环节：不是让AI看一张图写八百字观后感，是让它在一帧画面里，精准框出哪个东西是什么，在什么位置，误差不能超过几个像素。
听起来简单？
你拿手机扫一下桌上的半杯奶茶，人眼扫过去一秒钟能定位杯口、杯身、插在里面的吸管、甚至沾在杯壁的珍珠——但放到AI模型里，只要光线暗个30%，或者奶茶杯上的贴纸换了个图案，模型可能直接把吸管认成筷子，把珍珠认成掉在桌上的芝麻。
被吹了十年的技术边界，其实从来没被真正突破过
很多人以为现在的YOLO版本迭代到v10，就已经把目标检测的天花板捅穿了。错。
你去翻所有顶会最近两年的接收论文，核心的矛盾从来没解决过：要精度，就得慢；要速度，就得瞎。
两阶段的方法，说白了就是先在图里扫一遍，把所有可能有东西的候选框挑出来，再挨个核对是什么——精度能到98%以上，但帧率压到10帧都费劲，根本没法用在实时监控或者高速传送带上。单阶段的方法更直接，整张图一次过，边扫边识别，帧率能拉到上百帧，但只要目标小、遮挡多、角度歪，准确率直接跳水。
别跟我扯什么大模型多模态能统一解决。上次我测过某头部厂商的多模态视觉大模型，在1080P画面里找一个直径3毫米的螺丝，连续跑20次，漏检率快到40%——还不如我2018年训的一个小模型。
为什么？
因为目标检测从根上就不是一个”懂语义”的活。它要的是像素级的位置精度，是哪怕目标糊成一团、被挡了大半、光线差到几乎看不见，也能把框精准落在该落的地方。多模态大模型擅长的是”这张图里有没有猫”，但你要它”把离镜头最近的那只三花的左耳朵尖框出来”，它直接给你画个大圈把整只猫圈进去，根本不管边在哪。
这就是技术边界。
过去十年，大家都在刷公开数据集上的排行榜，把COCO数据集上的mAP值从0.3刷到0.65，看起来进步神速。但一到真实场景，所有的优化全打折扣。数据集里的猫都是正脸、光线充足、没有遮挡，真实场景里的猫可能是从沙发缝里露出来半只尾巴，你拿刷榜的模型去测，直接懵。
现在的产业链，根本不是技术说了算
很多人以为目标检测的核心玩家是那些做开源模型的实验室。错。
真正赚钱的，是那些蹲在行业场景里，攒了几百万张带标注的脏数据的小公司。
你去看现在的落地场景：工业质检里，要检测焊缝的裂纹、五金件的毛刺、农产品表面的瑕疵；智慧交通里，要识别电动车的头盔、货车的超限载、路口的违章变道；甚至现在的农业无人机，要靠目标检测识别哪棵树生了虫，哪块地的麦子熟了。
这些场景里，根本不存在什么通用模型。
举个最实在的例子：做钢铁表面缺陷检测的公司，他们手里的训练数据是从国内十几个钢厂的生产线上拍的，每一张缺陷图都标注了缺陷的类型、大小、位置——这些数据根本不会出现在公开数据集里。你拿网上下载的开源模型去测，连钢材表面因为轧制留下的水痕和裂纹都分不清楚，更别说精准定位了。
现在整个产业链的分层特别清楚：最上面是做基础框架的，比如开源的检测库，赚的是名气，不赚钱；中间是做通用模型的，刷榜刷得热闹，落地的时候四处碰壁；最下面是扎在垂直场景的，别人看不上那些脏活累活——给产线拍数据，给标注员做培训，跟客户一起调模型的参数，把误检率从10%压到0.1%——这些公司的毛利反而能到60%以上。
不过话说回来，这里面的坑也真多。我见过最离谱的一个项目，客户是做生鲜分拣的，要靠目标检测识别传送带上的苹果有没有碰伤。项目做了半年，上线才发现，夏天车间里的温度高，苹果表面会凝一层水雾，所有的检测模型直接把水雾当成碰伤，误检率飙到30%。最后项目团队干脆在传送带上加了个吹风机，把水雾吹掉才解决。
你说这是技术问题吗？
根本不是。是大家之前太迷信模型的能力，忘了真实世界的变量，比实验室里多一百倍。
没人愿意提的风险：目标检测的”越界”，比你想的快
聊完落地，得说点不那么好听的。
现在目标检测的精度，已经到了什么程度？
在晴天的户外，它能在50米外，精准框出你戴的口罩是什么款式，你手里拿的是矿泉水还是易拉罐，甚至能识别你口袋里露出的手机型号。
之前有朋友做过测试，拿装了目标检测模型的摄像头对着小区的道路，不用做人脸识别，光靠目标检测识别行人穿的衣服颜色、背的包的款式、走路的姿态，就能连续追踪一个人走过三个路口，根本不需要抓脸。
这才是最可怕的地方。
很多人说人脸识别侵犯隐私，但人脸识别你可以戴口罩、戴帽子躲过去。目标检测不需要识别你是谁，它只需要知道”这是一个人””这个人在移动””这个人手里拿了个可疑的东西”——就够了。
现在的治理其实是滞后的。我们现在的隐私法规，管的是”识别特定自然人身份”的行为，但目标检测的很多应用，根本不需要识别身份，只是在做行为统计、物体识别。比如商场里的摄像头，靠目标检测统计哪个货架前停留的人多，哪个位置的顾客容易丢垃圾；园区里的摄像头，靠目标检测识别有没有人翻越围墙，有没有消防通道被堵。
这些应用本身是中性的。但如果这些数据被滥用呢？
比如靠目标检测统计小区里每天有多少个外卖员进出，多少个快递员停留，多少个老人在楼下晒太阳——这些数据拼起来，根本不需要人脸信息，就能把整个小区的人员画像拼得七七八八。
还有更离谱的。之前有个做安防的厂商吹牛逼，说他们的目标检测模型能识别行人身上带的管制刀具、甚至打火机。你真的信吗？打火机那么小的目标，在距离10米的画面里可能就占几个像素，模型所谓的”识别”，大概率是把你口袋里凸起的轮廓当成了可疑物品。这种误判要是真用到安检场景里，指不定要闹出多少误会。
3-5年的真实走向，别被大模型的宣传带偏
最后说点实在的判断，不吹不黑。
首先，别信什么”通用目标检测大模型一统天下”的鬼话。未来3年，垂直场景的专用小模型，依然是落地的主力。原因很简单：小模型跑得快，成本低，针对特定场景调优的精度，比通用大模型高两个数量级。你要在工业产线上跑一个检测，总不能每秒钟调用一次大模型的API吧？光带宽成本都扛不住。
其次，数据标注的成本会大幅下降，但核心的脏数据依然是壁垒。现在大家都在搞自动标注、弱监督学习，用大模型给小模型打标签，能把标注成本压到原来的1/10。但那些从真实生产线上攒的、带着各种噪点、水雾、光线干扰的脏数据，依然是最值钱的资产。毕竟实验室里拍的干干净净的数据集，根本解决不了真实场景的问题。
第三，治理的规则会慢慢跟上。之前大家觉得目标检测是纯技术问题，现在慢慢意识到，当摄像头能精准识别画面里的每一个物体、每一个动作的时候，它的隐私边界到底在哪？比如在公共区域，目标检测能不能识别行人手里的物品？能不能把识别到的行为数据存下来？这些规则未来3年肯定会慢慢明确，不会让技术一直裸奔。
最后，真正的爆发点，根本不是大家现在盯着的安防或者交通。是机器人。
你想啊，现在的人形机器人为什么走路磕磕绊绊？为什么抓个杯子都要半天？核心问题就是目标检测的精度不够——它要能精准看到前面的台阶有多高，手里的杯子在什么位置，地上的电线在什么地方，才能做出正确的动作。未来3年，当目标检测的小模型能做到端侧运行、精度够高的时候，机器人的落地速度会比所有人预想的都快。
哦对，还有个小事。
上次那个被老炮骂的工业质检项目，最后根本没换什么贵的大模型。就是团队蹲在产线上拍了两千张带歪垫片的照片，重新训了个小模型，把误检率压到了0.2%，项目就成了。
哪有那么多高大上的技术神话。
所有的技术落地，到最后都是蹲在产线上，一张一张攒数据，一个参数一个参数调出来的。
作者|fawen
排版|fawen
审核|满满