一句话定义：目标检测（Object Detection）是让计算机在一张图里同时回答两件事——“有什么”和“在哪里”——并用矩形框（bounding box）把每个目标圈出来的任务。
想象教小孩看绘本。你指着图说“这是猫”，教的是图像分类（Image Classification）：整张图给一个标签。你用手指把猫圈起来说“猫在这儿”，教的就是目标检测：输出不只是一个名字，还附一组坐标。差别看着小，工程难度却高一个量级：模型得在成千上万个候选位置上，同时判断“这儿有没有东西”“是什么”“框得准不准”。
怎么做到的。主流做法是把图切成密集的候选位置逐个判断。两阶段（two-stage）方法先粗筛出可能藏东西的区域，再对每个区域精细分类、微调框；单阶段（one-stage）省掉粗筛，直接在特征图每个位置一次性预测类别和框的偏移量，用精度换速度。为了有个“起手式”，常预设一批不同大小和长宽比的锚框（anchor），让模型学着把锚框挪到、缩放到真实目标上。同一目标附近往往冒出好几个重复框，最后用非极大值抑制（NMS，Non-Maximum Suppression）把分数低、重叠高的框删掉。也有把检测直接当作“集合预测”来做的路线，省掉锚框与后处理。
每个框最终给出类别、置信度（confidence）和位置坐标。评估时先看预测框与真实框的重叠程度（IoU，Intersection over Union）是否超过阈值，再汇总成平均精度（mAP，mean Average Precision）。各家实现的口径略有出入，以所用框架的官方文档为准。
和相邻概念的区别
| 任务 | 输出 | 回答的问题 |
|---|---|---|
| 图像分类 | 一个或几个标签 | 图里有什么 |
| 目标检测 | 类别 + 矩形框 | 有什么，各自在哪 |
| 语义分割 | 每个像素的类别 | 每个像素属于什么 |
| 实例分割 | 每个个体的像素掩码 | 是哪个个体，轮廓在哪 |
一句话记：分类只说“是什么”，检测加上“在哪”，语义分割把“在哪”细到像素却不分个体，实例分割两者都要。视频里再要求跨帧把同一辆车认成同一辆，那是目标跟踪（Object Tracking）。
实际意义。对从业者，检测是落地密度最高的视觉任务之一：标注框比像素级标注便宜，模型也相对成熟；难点集中在遮挡、小目标、密集场景和部署时延。对普通人，相册自动认出宠物、停车场识别车牌、产线挑出瑕疵品、货架盘点、文档版面拆解，背后往往都是检测在跑。它也是复杂系统的“第一道眼”：先把关键物体框出来，后面的识别、跟踪、测量才有对象可谈。