分类还是检测？识别任务的拆解方法

"我们想做个 AI 识别"——这句话离可训练的任务还差一步拆解。拆错了任务类型，数据量、标注成本、硬件要求全部跟着错。这篇给一套三问拆解法。

分类与检测的本质差异

• 分类（classification）：输入一张图，输出"它属于哪个类别"。假设画面里只有一个主体（或整图就是要判断的对象）。例：这张抓拍里的人戴没戴口罩。
• 检测（detection）：输入一张图，输出"哪里有什么"——框出目标位置 + 类别 + 置信度，画面里可以有多个目标。例：这张仓库全景图里老鼠在哪几处。

对应到工程：分类模型更轻（可 CPU 实时）、标注更便宜（打一个标签）、数据量要求更少；检测模型更重（通常要 GPU）、标注更贵（每个目标画框）、数据量要求更大。能便宜就不要贵。

三问定任务类型

1. 目标会不会出现在画面任意位置？会（老鼠在地上任意处）→ 检测；位置固定可控（抓拍人脸、传送带正上方俯拍）→ 分类；
2. 同画面会不会有多个目标？会且都需要逐个识别 → 检测；只有一个主体或整图一个语义 → 分类；
3. 需要位置信息吗？需要框出位置留证或对接后续处理 → 检测；只需要"是/否""是哪类" → 分类。

拆解示例：着装合规

"后厨着装合规识别"可以拆成两条路线：

• 检测路线：一个人体检测模型 + 头部/身体区域 → 对区域做帽子、口罩分类。灵活、通用，但工程量与数据量都更大；
• 分类路线：摄像头固定俯拍操作台，抓拍构图稳定，直接对整图做"合规/不合规"二分类。数据量减半、CPU 即可跑。

我们的口罩与厨师帽成品模型走的是分类路线——因为抓拍场景可以把构图约束住。能靠部署手段（固定机位、固定构图）把检测问题简化成分类问题的，永远优先简化，这是成本最低的路径。

成本与数据量对比

• 分类：每类 200~500 张、标签标注（每张一秒）、CPU 推理；
• 检测：500~2000 张、画框标注（每张十秒到一分钟）、建议 GPU 推理。

同一场景，检测路线的数据标注成本常常是分类路线的五到十倍。

混合方案与分阶段

两者不互斥，成熟的做法是分阶段：第一阶段用分类路线快速上线（抓拍构图稳定），验证业务价值；第二阶段当需求确实需要"任意位置、多目标"时，再引入检测模型——而且此时你已经有了第一阶段的真实数据，其中不少可以直接用于检测标注。把"大而全"的一次性方案，换成"小步快跑"的阶段化路线，是预算有限时最聪明的走法。

三个实际判断案例

用三个真实场景演示拆解过程。案例一：门店口罩合规——入口抓拍构图固定、单人主体 → 分类，成本最低；案例二：仓库鼠患——老鼠出现在画面任意位置、同帧可能多只、需要位置留证 → 检测，没有捷径；案例三：流水线果蔬分拣——传送带上果实位置由机构约束、逐个经过相机 → 分类即可，但若要求"同时统计数量与位置"则升级为检测。三个案例的共同点：任务类型不是从技术出发选的，而是从现场条件反推的。把"部署手段能约束什么"想清楚，任务类型自然浮出来。

延伸阅读：训练需要多少张图、置信度阈值怎么调。